Moderne Assistenzsysteme stellen einen integralen Bestandteile heutiger und künftiger Fahrzeuge dar. Um Sicherheit und Komfort durch eine Unterstützung des Fahrers bei der Fahraufgabe zu erhöhen, ist es häufig notwendig, Fahrerverhalten adäquat vorherzusagen. Gerade in Kreisverkehren wäre eine solche Unterstützung durch Assistenz wünschenswert. Obwohl diese Verkehrsknoten durch eine geringere Unfallrate als lichtsignalgeregelte Kreuzungen auszeichnen, sind verletzliche Verkehrsteilnehmer wie Radfahrer und Fußgänger überproportional von Kollisionen mit Fahrzeugen betroffen. Das Fahrerverhalten trägt hierzu wesentlich bei. Die Erkennung und vorhersage von Fahrerverhalten ist daher eine wichtige Herausforderung, um intelligente Assistenz und Automation zu realisieren, die hier im Falle von Fahrer-fehlverhalten unterstützend eingreifen kann. Ziel unserer Arbeit ist somit, genau diese Voraussetzung zu gewährleisten und geeignete Methoden wie etwa statistische Modelle für Verhaltensvorhersage an Kreisverkehren zu entwickeln. Ein entsprechendes Modell muss in der Lage sein, frühzeitig einen Abbiegevorgang oder aber den Verbleib eines Fahrzeugs im Kreisverkehr vorherzusagen. Um eine Datengrundlage für ein solches Vorhersagemodell zu schaffen, wurden in einer Feldstudie an drei lokalen Kreisverkehren Fahrverhaltensdaten von sieben Probanden gesammelt. Dafür verwendeten wir ein speziell ausgestattetes Fahrzeug, mit dem Daten über Umgebungsverkehr, den Fahrer und das Fahrzeug aufgezeichnet werden konnten. Für die Bestimmung der Fahrzeugposition kam ein differentielles GPS zum Einsatz. Kopf und Blickdaten wurden mit Hilfe des kamerabasierten Blickregistrierungssystems Smart Eye Pro 6.0 erhoben. Verschiedene Variablen wurden hinsichtlich ihrer Eignung zur Verhaltensvorhersage geprüft. Da Fahrerverhalten gut als Mustererkennungsproblem modellierbar ist, wurde dafür eine Support Vector Machine genutzt. Dabei erwiesen sich Stellung und Geschwindigkeit der Bewegung des Lenkrads als sehr gute Indikatoren für einen Abbiegevorgang bzw. den Verbleib im Kreisverkehr. In einem Abstand von ca. 10 m vor der jeweiligen Ausfahrt aus dem Kreisverkehr konnten in über 90 % der Fälle korrekte Verhaltensvorhersagen getroffen werden. Unsere Ergebnisse zeigen somit zum einen die gute Eignung des gewählten Klassifikators Support Vector Machine als Vorhersagemethode. Zum anderen heben sie die Notwendigkeit einer genaue Untersuchung verschiedenster Fahrparameter hervor, um Fahrerverhalten adäquat verstehen und vorhersagen zu können.
Fahrerverhaltensvorhersage an Kreisverkehren
2016 ; Bochum
2016-03-15
Aufsatz (Konferenz)
Elektronische Ressource
Englisch
Merkblatt für die Anlage von Kreisverkehren
TIBKAT | 2006
|Akustische Auswirkungen von Lichtsignalen und Kreisverkehren
Tema Archiv | 2011
|