TU Darmstadt / ULB / TUprints

Driving Risk Models for Predicting, Planning and Warning

Puphal, Tim (2021)
Driving Risk Models for Predicting, Planning and Warning.
Technische Universität
doi: 10.26083/tuprints-00018933
Ph.D. Thesis, Primary publication, Publisher's Version

[img]
Preview
Text
2021-04-29_Puphal_Tim.pdf
Copyright Information: In Copyright.

Download (11MB) | Preview
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Driving Risk Models for Predicting, Planning and Warning
Language: English
Referees: Adamy, Prof. Dr. Jürgen ; Sendhoff, Prof. Dr. Bernhard ; Hochberger, Prof. Dr. Christian ; Boine-Frankenheim, Prof. Dr. Oliver
Date: 2021
Place of Publication: Darmstadt
Collation: XVI, 161 Seiten
Date of oral examination: 21 April 2021
DOI: 10.26083/tuprints-00018933
Abstract:

Automated cars and driver assistance systems constantly progress in complementing the human user in many parts of the driving task. Prominent examples include car-following on a highway, blind spot monitoring, recommending safe lane changes or even navigating on urban streets. This current trend has mostly originated due to affordable perception sensors and the improved speed of computer chips.

However, for a wider acceptance of self-driving cars, there is still a need to prove safety in terms of accidents and near-critical encounters caused by a technical system. Essentially, humans want technologies in which the reasons behind actions and warnings are known. This understanding helps trust to be increased and allows the driver to deliberately take over control from the system. The ultimate goal is to provide generic and transparent planning algorithms with considered safety margins.

In this dissertation, the presented challenge is tackled by developing analytical driving risk models and applying them to the relevant automotive domains of prediction, planning and warning. The models predict motion of vehicles along paths and incorporate several risk types, e.g., from collisions to sharp turns. Hereby, risks are composed of probabilities and severities and improve the behavior selection of the vehicle.

The dissertation is divided into three parts. Firstly, existing risk models of related work are enhanced with real-world uncertainties that arise from vehicle dynamics, unknown future environment changes and possible behavior alternatives of other vehicles. Analyses using accident data and normal traffic data show that this model has, amongst others, a higher fidelity than state-of-the-art time indicators. Secondly, a novel planning approach is introduced, which minimizes situational risks and maximizes utility and comfort to obtain ego velocity profiles. In all the statistical simulations of car-following and intersection driving, the approach successfully realizes a proactive maneuver. The major novelty of this planner is the intelligent inclusion of priorities between interacting vehicles. Lastly, the dissertation is concluded by leveraging risk-based planners for online driver warning with different car sensor setups and test locations, which shows their real-time applicability. Specifically, and in practice, the time predictions and low-risk trajectories are transformed into intuitive signal outputs for visualization to a driver.

To summarize, the proposed methods in this dissertation are based on fully transparent models with probabilistic formulations. This can be seen as a substantial contribution for the validation and advancement of intelligent robots; specifically, vehicles. Compared to simple reactive logics and data-driven machine learning methods, the approaches provide detailed information about the system’s situation understanding and reasoning for motion planning.

Even if they are not used as driving support technologies themselves, they still could help to rate the driving proficiency and safety of other existing platforms or, rather, the human driver. The basis is always formed by an integrated risk calculation that is parametrized from recorded car encounters and average variations in car dynamics. In this way, we may come a step closer to the goal of zero crashes with fewer traffic jams on roads and comfortable travel.

Alternative Abstract:
Alternative AbstractLanguage

Automatisierte Fahrzeuge und Assistenzsysteme entwickeln sich ständig weiter, um den Fahrer in vielen Fahraufgaben zu ergänzen. Bekannte Beispiele sind das Abstandhalten und Folgen von Autos auf Autobahnen, die Kontrolle von toten Winkeln, die Empfehlung sicherer Fahrspurwechsel oder die Navigation in städtischen Straßen. Diese Innovationen haben größtenteils ihre Ursache in den preiswerten Sensoren zur Perzeption und der verbesserten Rechenleistung von Computerchips.

Trotz der Möglichkeiten ist es zur breiten Akzeptanz von selbstfahrenden Automobilen unerlässlich, die Sicherheit in Bezug auf selbst verschuldete Unfälle oder kritische Begegnungen nachzuweisen. Die Gesellschaft bevorzugt im Wesentlichen Technologien, bei der die Ursachen hinter der ausgewählten Aktion oder Warnung erkennbar sind und verstanden werden. Das Verständnis hilft, Vertrauen aufzubauen und ermöglicht so dem Fahrer, die Kontrolle von einem aktiven System bewusst zu übernehmen. Das finale Ziel ist die Bereitstellung eines generischen und transparenten Algorithmus zur Planung mit harten Sicherheitsgrenzen.

In dieser Dissertation wird das vorgestellte Problem behandelt, indem Risikomodelle beim Fahren entwickelt und sie auf die relevanten Automobilthemen der Prädiktion, Planung und Warnung angewendet werden. Die Modelle prädizieren die Bewegung von Fahrzeugen entlang von Kartenpfaden und umfassen mehrere Typen von Risiken, wie Risiken von Kollisionen bis hin zu gefährlich scharfen Kurven. Hierbei, werden die Fahrrisiken beschrieben durch Wahrscheinlichkeiten und Unfallschwere und verbessern erfolgreich das Verhalten für das Fahrzeug.

Die Dissertation besteht insgesamt aus drei Teilen. Zuerst werden die bestehenden Modelle aus dem Stand der Technik mit realen Unsicherheiten erweitert, die in der Fahrdynamik, in unbekannten zukünftigen Umwelteinflüssen und in möglichen Verhaltensalternativen von anderen Fahrzeugen aufkommen. Unfall- und Verkehrsdaten zeigen, dass unter anderem das Risikomodell eine höhere Auflösung hat als gängige Zeitindikatoren. Als Nächstes wird eine neuartige Planungsmethode eingeführt, welche das Situationsrisiko minimiert und den Nutzen und Komfort maximiert, um ein eigenes Geschwindigkeitsprofil zu finden. In allen statistischen Simulationen von Auffahren oder Kreuzungsfahrten, realisiert der Ansatz erfolgreich ein intelligentes Manöver. Die besondere Eigenschaft der Planungsmethode ist es, die Vorfahrten zwischen den interagierenden Autos intelligent zu berücksichtigen. Zuletzt wird der risikobasierte Planer online für eine Fahrerwarnung mit unterschiedlichen Sensorkonfigurationen und Testorten genutzt. Damit ist die Anwendbarkeit im echten Straßenverkehr aufgezeigt. Das Endsystem ist in der Lage, die Zeitprädiktionen und Trajektorien mit niedrigem Risiko in intuitive Signalausgänge zur Visualisierung in der Praxis umzuformen.

Zusammenfassend basieren die vorgeschlagenen Methoden auf vollständig transparenten Modellen mit probabilistischen Formulierungen. Dies kann als ein bedeutender Beitrag zur Validierung und zum Fortschritt von intelligenten Robotern, im Speziellen bei Fahrzeugen, angesehen werden. Im Vergleich zu reaktiven Logiken und datengetriebenem maschinellem Lernen bieten die Methoden detaillierte Informationen über die Fahrsituation mit direkter Verbindung zur Bewegungsplanung.

Wenn sie nicht als Techniken zur Assistenz verwendet werden, könnten sie dennoch helfen die Fahrerleistung oder Sicherheit von existierenden Plattformen zu bewerten. Möglich ist auch die Einschätzung der Fähigkeiten des Menschen beim Fahren. Die Grundlage bildet immer eine integrierte Risikoberechnung, die von elektronisch aufgezeichneten Fahrzeugbegegnungen und mittleren Variationen der Fahrzeugdynamik parametrisiert wird. So kommen wir dem Finalziel der Vermeidung von Unfällen, weniger Verkehrsstaus und komfortablem Fahren ein Stück näher.

German
Status: Publisher's Version
URN: urn:nbn:de:tuda-tuprints-189337
Classification DDC: 600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
Divisions: 18 Department of Electrical Engineering and Information Technology > Institut für Automatisierungstechnik und Mechatronik > Control Methods and Robotics (from 01.08.2022 renamed Control Methods and Intelligent Systems)
Date Deposited: 29 Jun 2021 09:35
Last Modified: 29 Jun 2021 09:35
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/18933
PPN: 483226157
Export:
Actions (login required)
View Item View Item