17.10.2018 - 14:31

Maschinell lernendes Fahrerassistenzsystem von Continental und der TU Darmstadt

Maschinell lernendes Fahrerassistenzsystem von Continental und der TU Darmstadt

© Continental AG

In der vierten Auflage des Forschungsprojektes PRORETA entwickelte Continental in Zusammenarbeit mit der Technischen Universität Darmstadt ein maschinell lernendes Fahrzeugsystem. Dieses soll den Autofahrer in innerstädtischen Verkehrssituationen unterstützen und ihm mittels der Daten aus Radarsensoren helfen, beispielsweise die Verkehrslage beim Linksabbiegen oder an unübersichtlichen Kreuzungen richtig einzuschätzen.

Bei diesem dreieinhalbjährigen Projekt lag der Fokus besonders auf dem Thema “maschinelles Lernen”, um die Empfehlungen des Stadtassistenten (City Assistant System) für Fahrmanöver an den Fahrstil des Fahrers anzupassen. Hierfür wurden Algorithmen entwickelt, die auf der Basis unterschiedlicher Fahrzeugdaten ein aktuelles Fahrtypprofil erstellen. Die Schwierigkeit bei diesem Projekt lag darin, ein Assistenzsystem zu entwickeln, das in komplexen Verkehrssituationen Empfehlungen an den Fahrer herausgibt und auch von diesen akzeptiert wird.

“Assistenzsysteme deren Warnungen nicht als nützlich empfunden werden, werden von Autofahrern oftmals als störend empfunden, ignoriert oder gar abgeschaltet. Deshalb unterstützen wir den Ansatz des sich-anpassenden Assistenzsystems mit einem speziellen Interaktionskonzept. Optische, akustische oder auch haptische Signale zeigen dabei die Empfehlungen für den Fahrer möglichst intuitiv an”, sagt Dr. Karsten Michels, Leiter Systems & Technology in der Division Interior bei Continental.

Um ein solches Fahrprofil zu erstellen, wertet das System die während der Fahrt erfassten Daten aus. Daten wie Beschleunigung, Gierraten, Bremsvorgänge und Querbeschleunigung geben dem Algorithmus darüber Aufschluss, um welchen Fahrertyp es sich handelt. Innerhalb von drei bis fünf Fahrmanövern kann das City Assist System Rückschlüsse auf den aktuellen Fahrstil ziehen. Je nach Profil steuert das System die Zeitfenster für die Fahrempfehlungen: So werden bei extrem großen Lücken beispielsweise beim Einfädeln keine Empfehlungen ausgesprochen, sondern nur dann, wenn das notwendige Zeitfenster kritisch ist oder es für den Fahrer schwierig wird, dieses abzuschätzen (bei Nacht oder unerfahrenen Fahrern).

Maschinell lernendes Fahrerassistenzsystem von Continental und der TU Darmstadt

© Continental AG

So funktioniert’s:

Beim Linksabbiegeassistenten werden die eigenen Positionsdaten, Tempo sowie Abstand des entgegenkommenden Verkehrs ermittelt und anhand dessen die Größe der Lücken bestimmt. Zum Einsatz kommen dabei ein serienreifer Fernbereichsradar und Nahbereichsradare in den Fahrzeugseiten, die heute in vielen Assistenzsystemen bereits im Einsatz sind, etwa bei der intelligenten Geschwindigkeitsregelung Adaptive Cruise Control oder der Überwachung des toten Winkels.

Die Sensorik informiert anschließend den Fahrer, sobald eine passende Lücke kommt und reduziert somit den Stress des Fahrers. Bei Versuchsfahrten mit PRORETA 4 wurden Zeitfenster von fünf bis sieben Sekunden ermittelt, in denen das System mit Empfehlungen Hilfestellung geben kann.

Maschinell lernendes Fahrerassistenzsystem von Continental und der TU Darmstadt

© Continental AG

Bei Rechts-vor-Links-Kreuzungen erkennt das System mithilfe von Karten-, GPS- und selbst ermittelten Standortdaten, dass sich der Fahrer einer solchen Kreuzung nähert. Eine Innenraumkamera hilft dem System bei der Analyse, ob der Fahrer ankommenden Verkehr, dem Vorfahrt zu gewähren ist, erkannt hat. 250 bis 500 Millisekunden dauert eine Fixierung/Erkennung von anderen Verkehrsteilnehmern – das System prüft dies und kann bei Bedarf den Fahrer mittels Signal auf eine potenziell gefährliche Situation aufmerksam machen. Möglich wäre in diesem Fall eine spätere Erweiterung des City Assist um eine Notbremsfunktion.

Eine genaue Positionsermittlung ist für solche Assistenzsysteme unerlässlich. Daher war in PRORETA 4 ein kamerabasiertes System für die automatische Kartierung von Landmarken mit an Bord. Hierfür werden Landmarken (markante Punkte an Gebäuden oder die Infrastruktur) von der Kamera wiedererkannt, was eine exaktere Lokalisierung als bei GPS ermöglicht. Die Landmarken werden bei häufiger befahrenen Strecken erkannt, bewertet und in den Datenspeicher im Fahrzeug abgelegt. Bei diesem sogenannten Langzeit-SLAM-Verfahren (Simultaneous Localization and Mapping) ist eine Positionserkennung auf unter einem Meter möglich.

Editor: Tanja Lauch mit dem Pressematerial von Continental

Autor: jst




Nächster Beitrag

Aktuelle Termine

ELIV 2021

Zum Termin

Automotive Computing Conference

Zum Termin

25th International Automobil-Elektronik Kongress 2021

Zum Termin
Gefunden bei intellicar.de
https://intellicar.de/hardware-and-software/maschinell-lernendes-fahrerassistenzsystem-von-continental-und-der-tu-darmstadt/
17.10.2018 14:23