Fahrerintentionserkennung und Kursprädiktion mit erweiterten maschinellen Lernverfahren

Abstract

Vorausschauende Fahrerassistenzsysteme benötigen eine präzise Kenntnis über den zukünftigen Verlauf der Verkehrssituation; dieser kann in Echtzeitsystemen nur anhand vorheriger Beobachtungen geschätzt werden. Im Anwendungsbeispiel wird der Fokus auf die Schätzung der Fahrerintention und des zukünftigen Fahrzeugkurses gelegt, welche in der Form diskreter Manöver oder einer kontinuierlichen Größe vorhergesagt werden. Die Abbildung eines solch komplexen Anwendungsfalls auf die formale Ebene der Klassifikation wird durch eine saubere Problembeschreibung sowie die Definition der zu optimierenden Kriterien ermöglicht. Im methodischen Kern dieser Arbeit wird ein Modell zur Zeitreihenanalyse erarbeitet, welches für die Fahrerassistenz Prädiktionen zukünftiger diskreter Ereignisse als auch kontinuierlicher Signalverläufe ermöglicht. Diese komplexen Schätzungen werden durch verschiedene Verfahren Maschinellen Lernens durchgeführt, die anhand von Trainingsdaten die relevanten Indikatorsignale und deren Abbildung auf die Schätzgröße suchen. Dafür werden zwei bekannte Algorithmen neu miteinander kombiniert: Der Zeitreihencharakter der Daten wird durch Hidden Markov Modelle strukturiert, während die hohe Dimensionalität und Komplexität der Eingangssignale durch den Random Forest Algorithmus berechnet wird.