TU Darmstadt / ULB / TUprints

Adaptive Personalization in Driver Assistance Systems

Dang, Hien (2021)
Adaptive Personalization in Driver Assistance Systems.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00017507
Ph.D. Thesis, Primary publication, Publisher's Version

[img]
Preview
Text
Dissertation_HDang_publish.pdf
Copyright Information: CC BY-SA 4.0 International - Creative Commons, Attribution ShareAlike.

Download (6MB) | Preview
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Adaptive Personalization in Driver Assistance Systems
Language: English
Referees: Fürnkranz, Prof. Dr. Johannes ; Winner, Prof. Dr. Hermann ; Kuijper, Prof. Dr. Arjan
Date: 2021
Place of Publication: Darmstadt
Collation: xx, 127 Seiten
Date of oral examination: 20 February 2020
DOI: 10.26083/tuprints-00017507
Abstract:

Personalization is the task that aims at improving quality of products and services by adapting itself to the current user. In the context of automotive applications, personalization is not only about how drivers sets up the position of their seat or their favorite radio channels. Going beyond that, personalization is also about the preference of driving styles and the individual behaviors in every maneuver executions. One key challenge in personalization is to be able to capture and understand the users from the historical data produced by the users. The data are usually presented in form of time series and in some cases, those time series can be remarkably long. Capturing and learning from such data poses a challenge for machine learning models.

To deal with this problem, this thesis presents an approach that makes uses of recurrent neural networks to capture the time series of behavioral data of drivers and predict theirs lane change intentions. In comparison to previous works, our approach is capable of predicting not only driver's intention as predefined discrete classes (i.e. left, right and lane keeping) but also as continuous values of the time left until the drivers cross the lane markings. This provides additional information for advanced driver-assistance systems to decide when to warn drivers and when to intervene.

There are two further aspects that need to be considered when developing a personalized assistance system: inter- and intra-personalization. The former refers to the differences between different users whereas the later indicates the changes in preferences in one user over time (i.e. the differences in driving styles when driving to work versus when being on a city sightseeing tour). In the scope of this thesis, both problems of inter- and intra-personalization are addressed and tackled. Our approach exploits the correlation in driving style between consecutively executed maneuvers to quickly derive the driver's current preferences. The introduced networks architecture outperforms non-personalized approaches in predicting the preference of driver when turning left. To tackle inter-personalization problems, this thesis makes use of the Siamese architecture with long short-term memory networks for identifying drivers based on vehicle dynamic information. The evaluation, which is carried out on real-world data set collected from 32 test drivers, shows that the network is able to identify unseen drivers. Further analysis on the trained network indicates that it identifies drivers by comparing their behaviors, especially the approaching and turning behaviors.

Alternative Abstract:
Alternative AbstractLanguage

Personalisierung ist eine Lösung zur Qualitätsverbesserung von sowohl Produkten als auch Dienstleistungen, indem sich individuelle Bedürfnisse und Anforderungen von Kunden als Input in das System einfließen lassen. Im Kontext von Automobilanwendungen geht es bei der Personalisierung nicht nur darum, wie der Fahrer die Position seines Sitzes oder seiner bevorzugten Radiosender einstellt. Darüber hinaus geht es bei der Personalisierung auch um die Präferenz von Fahrstilen und das individuelle Verhalten bei fast jeder Manöverausführung.

Eine wichtige Herausforderung bei der Personalisierung besteht darin, den Benutzer anhand der durch sein Fahrverhalten bislang erzeugten Daten zu verstehen und damit Profile herzustellen. Die Daten werden normalerweise in Form von Zeitreihen dargestellt. In einigen Fällen können die Zeitreihen besonders lang sein, was das Erfassen und Lernen dieser Daten erschwert. In dieser Dissertation wird eine Herangehensweise vorgestellt, in der rekurrente neuronale Netze benutzt werden, um Zeitreihendaten zu Fahrerverhalten zu erfassen und die Absicht zum Fahrstreifenwechseln vorherzusagen. Im Vergleich zu vorherigen Arbeiten ist diese Herangehensweise nicht nur in der Lage, die Absicht zum Fahrstreifenwechseln eine diskrete Klasse (links, rechts oder geraderaus) zuzuordnen, sondern auch die verbleibende Zeit zu berechnen, bis der Fahrer die Fahrbahnmarkierung überquert. Diese Informationen erlauben Fahrerassistenzsysteme zu entscheiden, wann die Warnung ausgelöst werden soll oder ob das System eingreifen soll.

Zwei weiteren Aspekte, die bei der Entwicklung eines Fahrerassistenzsystem betrachtet werden müssen, sind: Inter- und Intrapersonalisierung. Unter Interpersonalisierung wird der Unterschied zwischen Fahrern verstanden. Im Gegenteil zu Interpersonalisierung bezeichnet Intrapersonalisierung den Unterscheid in den Präferenzen eines einzelnen Fahrers im Laufe der Zeit. Ein Fahrer kann je nach Strecke und dem Zweck der Fahrt verschiedene Fahrstile haben, z.B. Arbeitsfahrt (hektisch) und Stadtrundfahrt (gelassen). Im Rahmen dieser Dissertation werden Inter- und Intrapersonalisierung behandelt. Um die aktuellen Präferenzen des Fahrers frühzeitig vorauszuschauen, berücksichtigt das Modell die Zusammenhänge in Fahrstilen zwischen den konsekutiven durchgeführten Manövern. Die Evaluierung auf neuen Fahrer zeigt, dass die entwickelten Modelle die nicht-personalisierten Ansätze beim Vorhersagen der Fahrerpräferenzen übertreffen.

Bei der Interpersonalisierung wird eine Siamese Architektur mit Long Short-Term Memory Netzen eingesetzt, um Fahrer basierend auf fahrzeugdynamischen Informationen zu identifizieren. Die Modelle werden mit Real-World-Datensätzen evaluiert, die von 32 Probanden aufgenommen wurden. Durch die Evaluierung weisen die Modelle die Fähigkeit auf, neue Fahrer zu identifizieren. Weitere Analysen der trainierten Modelle deutet darauf hin, dass der vorgestellte Ansatz die Verhaltensweisen (wie Annähern einer Kreuzung oder Abbiegen) extrahiert und diese als Grundlage für die Identifizierung des Fahrers verwendet.

German
Status: Publisher's Version
URN: urn:nbn:de:tuda-tuprints-175074
Classification DDC: 000 Generalities, computers, information > 004 Computer science
Divisions: 20 Department of Computer Science > Knowl­edge En­gi­neer­ing
Date Deposited: 19 Feb 2021 10:16
Last Modified: 19 Feb 2021 10:16
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/17507
PPN: 476597579
Export:
Actions (login required)
View Item View Item