UR:BAN – Fahrerverhaltensprädiktion

Im Folgenden finden Sie eine kurze Zusammenfassung des Projektes. Für weitere Informationen kontaktieren Sie bitte die Projektverantwortlichen über den Kontaktbutton auf der rechten Seite.

Hintergrund

Das vom Bundesministeriums für Wirtschaft und Energie geförderte Projekt „UR:BAN“ (Urbaner Raum: Benutzergerechte Assistenzsysteme und Netzmanagement) befasste sich mit unterschiedlichsten Fragestellungen im Hinblick auf Fahrerassistenzsysteme für den Stadtverkehr. An dem Projekt waren insgesamt 30 Partner aus Automobil- und Zulieferindustrie, Elektronik-, Kommunikations- und Softwarefirmen, Universitäten sowie Forschungsinstitute und Städte beteiligt.

Das Projekt untergliederte sich in 3 große Teilprojekte:

  • Kognitive Assistenz
  • Vernetztes Verkehrssystem
  • Mensch im Verkehr

Das Institut für Arbeitswissenschaft (IAD) war an dem Projekt als ein Unterauftragnehmer der Adam Opel AG im Unterprojekt „Verhaltensprädiktion und Intentionserkennung (VIE)“, welches zum Teilprojekt „Mensch im Verkehr“ gehört, beteiligt.

Ziele

Das Teilprojekt „Mensch im Verkehr“ befasste sich mit der Fragestellung wie der Fahrer im Stadtverkehr sicher, effizient und entspannt unterwegs sein kann. Im Rahmen der Kooperation zwischen dem IAD und der Adam Opel AG wurde untersucht inwieweit eine Fahrerverhaltensprädiktion, also die Vorhersage der kommenden Handlungen des Fahrers, helfen kann die Wirkung und die Akzeptanz eines Fahrerassistenzsystems zu verbessern.

Einerseits ist es zielführend, dass ein Assistenzsystem möglichst zu einem sehr frühen Zeitpunkt wirksam wird. Dem gegenüber steht jedoch die Tatsache, dass durch zu frühzeitige Warnungen oder Eingriffe der Fahrer schnell gestört wird, wenn er die aufkommende Situation eigenständig im Griff hat und die Warnung für seine kommende Reaktion nicht mehr angemessen ist. Dieses sogenannte „Warndilemma“ kann dazu führen, dass die Akzeptanz für das System stark sinkt.

Methodik

Im Projekt wurden Fahrversuche auf dem Testgelände der TU Darmstadt durchgeführt. In den beiden Versuchsreihen im Sommer 2013 und 2014 nahmen insg. 102 Probanden an den Versuchen teil, in denen folgende Fahrmanöver durch verschiedene Versuchsapparaturen provoziert wurden:

  • Fahrstreifenwechselmanöver
  • Anhaltemanöver
  • Notausweichmanöver
  • Notbremsmanöver

In den Versuchen wurden neben sog. CAN-Bus-Daten (darunter fallen beispielsweise der aktuelle Lenkradwinkel oder die Pedalstellungen) auch Blickbewegungsdaten und Daten aus verschiedenen Fragebögen erhoben und im Nachgang analysiert.

Ergebnisse

Auf Basis der erhobenen Daten wurde ein Algorithmus (Ansatz einer Fuzzy-Logik) entwickelt, der es ermöglicht, das Verhalten der Fahrer mit einem Zeithorizont von ca. 1-2s vorherzusagen. Der Algorithmus wurde auf der Abschlussveranstaltung im Herbst 2015 in Düsseldorf vorgestellt.

Publikationen

Ergebnisse

Heine, J. (2017). Entwicklung eines Algorithmus zu Prädikation eines innerstädtischen Fahrstreifenwechsels. Dissertation, Technische Universität Darmstadt

Langer, I. (2016). Analyse von Aktivitäten eines Fahrzeugführers zur Verhaltensbeschreibung am Beispiel des Fahrstreifenwechsels. Dissertation, Technische Universität Darmstadt

Langer, I.; Holzheimer, F.; Heine, J.; Abendroth, B. & Bruder, R. (2015). Development of a catalogue of action steps and partial validation. In: Proceedings 19th Triennial Congress of the IEA, Melbourne 9-14 August 2015

Heine, J.; Sylla M.; Langer, I.; Schramm, T.; Abendroth, B. & Bruder, R. (2015). Algorithm for driver intention detection with Fuzzy Logic and Edit Distance. IEEE 18th International Conference on Intelligent Transportation Systems ITSC

Heine, J.; Krämer I.; Achieser, I.; Langer, I.; Schramm, T. & Abendroth, B. (2015). Bewertung von Prädiktoren zur Fahrerintentionserkennung. 5. Berliner Fachtagung Fahrermodellierung. Berlin

Langer, I.; Heine, J.; Abendroth, B. & Bruder, R. (2014). Herausforderungen beim Hervorrufen von kritischen Brems- oder Lenkreaktionen in Fahrversuchen zur Untersuchung der Fahrerintention. In: GfA (Hrsg.). Gestaltung der Arbeitswelt der Zukunft. Dortmund: GfA Press

Langer, I.; Heine, J.; Schramm, T. & Bruder, R. (2013). Kritikalitätsmaß einer Fahrsituation – Eingangsgröße für einen Algorithmus zur Fahrerintentionserkennung. In: VDI Berichte 2205 – Der Fahrer im 21. Jahrhundert. Düsseldorf: VDI Verlag GmbH