Hier wird ein generisches Konzept zur Umfeldmodellierung durch künstliche Potenzialfelder vorgestellt, unter deren Verwendung die Realisierung einer temporären Fahrzeugregelung getestet wird. Dieser Ansatz ist bekannt aus der Robotik und wird dort bereits erfolgreich zur autonomen Steuerung eingesetzt. Die automotiven Anforderungen unterscheiden sich hiervon allerdings signifikant aufgrund der höheren Geschwindigkeiten, der situativen Dynamik sowie Pfadrestriktionen. Ein Vorteil von künstlichen Potenzialfeldern ist die Möglichkeit der Modellierung des Fahrzeugumfeldes auf Objektebene für eine Vielzahl von Szenarien und Sensoren. Dabei können laterale und longitudinale Aspekte und Regelung auf einfache Weise kombiniert werden. Die Straße sowie andere Fahrzeuge werden so modelliert, dass das Potenzial zum Straßenrand bzw. in der Nähe von Hindernissen ansteigt. Somit kann das entstehende Potenzialfeld als eine Risikokarte verstanden werden. Die Fahraufgabe reduziert sich hierdurch auf das Bestreben des Ego-Fahrzeugs, sich in Potenzialtälern aufzuhalten. So kann der Gradient des Feldes zur Fahrzeugregelung genutzt werden. Es werden hier Potenzialfeldmodelle jeweils für die Straße und dynamische Objekte im Fahrzeugumfeld vorgestellt und exemplarisch eine automatisierte Regelung gezeigt, die auf dem Gradienten basiert. Die Fahrzeugregelung wurde in einer Simulation getestet und soll später in einem Fahrzeug-Prototyp umgesetzt werden.

The authors introduce a generic concept for environment modeling with artificial potential fields and its utilization for a temporary vehicle control. This approach is known in robotics and is already used for autonomous robot control successfully. However, the requirements differ highly in a vehicle environment considering relative velocities, driving dynamics and path restrictions. Nevertheless, artificial potential fields exhibit some advantages in the auto motive context such as the opportunity to model the environment generically across multiple scenarios, including both lateral and longitudinal aspects in an elegant way. Road edges and vehicles are modeled by potential hills. Thus, the potential field can be interpreted as a risk map. Therefore, the driving task simplifies to staying in low potential areas. Since the gradient of a field is directing towards these areas, it can be utilized for vehicle control. Here, the authors present artificial potential models for the road and dynamic objects and show a gradient based automated control. This has been tested in a simulation and will be implemented in a vehicle.