Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB

SPARC - Situation Prediction and Reaction Control

SPARC - Situation Prediction and Reaction Control

SPARC - Situation Prediction and Reaction Control

Das SPARC-Konzept für vollautomatisches Fahren

Die Problemstellung

Ein vollautomatisches Fahrzeug soll mit serienfähigen Mitteln den Innenstadt-verkehr bis 50 km/h ohne Fahrer bewältigen können. Eine künstliche Intelligenz soll hierbei die Verkehrssituation analysieren, und eine sichere sowie regelkonforme Trajektorie finden und ausführen.

Durch die Komplexität innerstädtischer Verkehrssituationen ist eine Klassifikation der Situationen in diskrete Zustände nur eingeschränkt möglich. Die hohe Anzahl an statischen und dynamischen Objekten ergibt viele Möglichkeiten, wie sich eine gegebene Situation entwickeln kann. Die künstliche Intelligenz des vollautomatischen Fahrzeugs muss diese Eventualitäten analysieren und daraus abgeleitete Reaktionsanweisungen vorhalten, um eine entstehende Situation sicher und im Einklang mit geltenden Verkehrsregeln zu bewältigen.

 

Abb. 2 Notfall-Ausweichen bei einem drohenden Auffahrunfall auf der Autobahn. Die roten Wolken stellen die vorherberechneten Aufenthaltswahrscheinlichkeiten der anderen Fahrzeuge in der Zukunft dar. Der grüne Pfeil zeigt das optimale Ausweichmanöver an, das ein sicheres Anhalten und eine möglichst komfortable Bremsstrecke unter Beachtung der Verkehrsregeln ermöglicht.

Das Verhalten der anderen Verkehrsteilnehmer muss prädiziert werden, wobei die Modellierung der Bewegungsmuster bereits durch Messunsicherheiten eine anspruchsvolle Aufgabe darstellt. Darüber hinaus besteht eine wesentliche Ungewissheit über das zukünftige Verhalten der Verkehrsteilnehmer, das maßgeblich von der aktuellen Situation abhängt.

Die künstliche Intelligenz muss diese unterschiedlichen Einflussfaktoren erfassen, analysieren und aus der Gesamtheit der Informationen eine angemessene Reaktion des vollautomatischen Fahrzeugs ableiten. Die künstliche Intelligenz des vollautomatischen Fahrzeugs muss in komplexen Situationen eine sichere, regelkonforme und für die Insassen komfortable Trajektorie finden und diese ausführen. Hierbei muss das vollautomatische Fahrzeug auf unvorhergesehene Situationen reagieren können, die auf unvollständige Informationen über die Umgebung und Ungewissheit über Verhalten anderer Verkehrsteilnehmer zurückzuführen sind.

Abb. 3 Die Schritte im SPARC-Konzept. Zuerst werden die Aufenthaltswahrscheinlichkeiten aller Verkehrsteilnehmer aus Verhaltensmodellen berechnet. Im nächsten Schritt wird ein Manöver geplant, das so wenige Aufenthaltswahrscheinlichkeiten wie möglich berührt, gleichzeitig aber Verkehrsregeln, Energieeffizienz und den Komfort der Insassen im Auge behält.

Das SPARC-Konzept als Lösung

Um der Komplexität der Aufgabenstellung gerecht zu werden, setzt die hier vorgestellte künstliche Intelligenz – Situation Prediction and Reaction Control – auf eine ganzheitliche Betrachtungsweise des Problems. Die übliche strikt getrennte Aufteilung zwischen den Systemkomponenten zur Analyse und Einordnung der Situation, und der Planung und Exekution des Manövers, wird hierbei durch eine holistische Repräsentation aller analysierten Informationen aufgelöst.

Die künstliche Intelligenz des vollautomatischen Fahrzeugs verwendet alle von anderen Systemkomponenten zur Verfügung gestellten Informationen über die Umgebung. Hierzu zählen unter anderem Informationen über statische und dynamische Hindernisse, Fahrspuren, Verkehrsschilder und -regeln, sowie Navigationsanweisungen.

Der erste Teilbereich der künstlichen Intelligenz – die Situation Prediction – führt mit diesen Informationen stochastische Analysen der Situation durch, die die Informationsqualität explizit berücksichtigt. Das Verhalten dynamischer Verkehrsteilnehmer wird über Wahrscheinlichkeitsdichten in die Zukunft prädiziert. Dadurch ergibt sich eine umfassende Beschreibung des Fahrzeugumfeldes und dessen potenzieller zeitlicher Entwicklung. Alle Informationen werden fusioniert und zur Weiterverwendung in einer dedizierten Darstellungsform abgelegt – der Holistic Representation.

Zusammen mit den Dynamikeigenschaften des Fahrzeugs dienen die somit fusionierten Umfeldinformationen dem zweiten Teil der künstlichen Intelligenz – der Reaction Control – zur Planung der optimalen Trajektorie. Die hierfür verwendeten Optimierungsverfahren betrachten neben dem Hauptziel, eine sichere und regelkonforme Trajektorie durch Raum und Zeit zu finden, auch sekundäre Ziele, wie beispielsweise die Maximierung von Fahrkomfort und die Minimierung des Kraftstoffverbauchs. Eine frei wählbare Gewichtung erlaubt es, alle Ziele in unterschiedlichem Maß gleichzeitig einzubeziehen, und Zielkonflikte nachvollziehbar und klar reguliert aufzulösen. Zur Auflösung von Verkehrssituationen, die mehre Handlungen des vollautomatischen Fahrzeugs ermöglichen, wurde SPARC um eine globale Lösungsmethodik erweitert.

Die Trajektorienplanung ergibt Regelbefehle zur Steuerung des vollautomatischen Fahrzeugs, die an die Aktuatoren weitergegeben werden.

Um falsche oder fehlende Umgebungsinformationen oder unerwartete Ereignisse zu kompensieren, und auch in diesen Fällen eine sichere Trajektorie abzufahren, erfolgt die Analyse der Situation und Berechnung der optimalen Trajektorie zyklisch, sodass eine schnelle Reaktion auf unvorhergesehene Änderungen möglich wird.

Abb. 4 Typische, anspruchsvolle Verkehrssituationen, die lokale Lösungsansätze unter Umständen nicht sicher meistern können. Zur Lösung dieser Situationen wurde mit SPARC eine globale Lösungsmethode entwickelt.  

Publikationen

J.R. Ziehn. Energy-based collision avoidance for autonomous vehicles. Master’s thesis, Leibniz Universität Hannover, Germany, October 2012. [BibTeX]

M. Ruf, J.R. Ziehn, B. Rosenhahn, J. Beyerer, D. Willersinn, and H. Gotzig. Situation Prediction And Reaction Control (SPARC). In B. Färber, K. Dietmayer, K. Bengler, M. Maurer, Ch. Stiller, and H. Winner, editors, 9. Workshop Fahrerassistenzsysteme (FAS 2014), pages 55–66, Walting im Altmühltal, Germany, March 2014. [PDF] [BibTeX]

M. Ruf, J.R. Ziehn, D. Willersinn, B. Rosenhahn, J. Beyerer, and H. Gotzig. Evaluation of an Analytic Model for Car Dynamics. In Proceedings of the IEEE International Conference on Mechatronics and Control (ICMC 2014), pages 2446–2451, Jinzhou, China, July 2014. [external Link] [BibTeX]

M. Ruf, J.R. Ziehn, D. Willersinn, B. Rosenhahn, J. Beyerer, and H. Gotzig. A Continuous Approach to Autonomous Driving. In Proceedings of the Conference on Vehicle and Infrastructure Safety Improvement in Adverse Conditions and Night Driving (VISION 2014), Versailles, France, October 2014. [PDF] [BibTeX]

J.R. Ziehn, M. Ruf, B. Rosenhahn, D. Willersinn, J. Beyerer, and H. Gotzig. Correspondence between Variational Methods and Hidden Markov Models. In Proceedings of the IEEE Intelligent Vehicles Symposium (IV 2015), pages 380–385, Seoul, Korea, June 2015. [external Link] [BibTeX]

M. Ruf, J.R. Ziehn, D. Willersinn, B. Rosenhahn, J. Beyerer, and H. Gotzig. Global Trajectory Optimization on Multilane Roads. In Proceedings of the IEEE 18th International Conference on Intelligent Transportation Systems (ITSC 2015), pages 1908–1914, Las Palmas de Gran Canaria, Spain, September 2015. [external Link] [BibTeX]

M. Ruf, J.R. Ziehn, D. Willersinn, B. Rosenhahn, J. Beyerer, and H. Gotzig. Comparison of Local vs. Global Optimization for Trajectory Planning in Automated Driving. In Ch. Stiller, K. Bengler, K. Dietmayer, L. Eckstein, B. Färber, M. Maurer, and H. Winner, editors, 10. Workshop Fahrerassistenzsysteme (FAS 2015), pages 71–83, Walting im Altmühltal, Germany, September 2015. [PDF] [BibTeX]

M. Ruf. Considerations on Trajectory Planning Models in Automated Driving. Technical Report. In Proceedings of the 2015 Joint Workshop of Fraunhofer IOSB and Institute for Anthropomatics, Vision and Fusion Laboratory, 2015. [PDF] [BibTeX]

M. Ruf, J.R. Ziehn, L. German, B. Rosenhahn, D. Willersinn, J. Beyerer, and H. Gotzig. Lightweight, Non-invasive Collection of Steering Wheel Angles and Pedal Positions. In Proceedings of the IEEE International Conference on Instrumentation, Control and Automation (ICA 2016), Bandung, Indonesia, August 2016. [external Link] [BibTeX]

J.R. Ziehn, M. Ruf, D. Willersinn, B. Rosenhahn, J. Beyerer, and H. Gotzig. A Tractable Interaction Model for Trajectory Planning in Automated Driving. In Proceedings of the IEEE 19th International Conference on Intelligent Transportation Systems (ITSC 2016), pages 1410–1417, Rio de Janeiro, Brazil, November 2016. [external Link] [BibTeX]

 

In Zusammenarbeit mit

Valeo Schalter und Sensoren GmbH

 

 

 

Inhalte