Das vollautomatisierte Fahren nähert sich einer Phase des großflächigen Einsatzes, in der die Fahrzeuge vor die Herausforderung gestellt werden, mit vielen Verkehrsteilnehmern im Stadtverkehr zu interagieren. Eine erfolgreiche Einführung des automatischen Fahrens erfordert ein zuverlässiges Entscheidungsfindungsmodul, das eine Vielzahl von Situationen unterstützt. Die konventionelle modulare Architektur teilt die Wirkkette in Wahrnehmung, Vorhersage, Planung und Regelung. Diese Architektur spielte bisher eine entscheidende Rolle für das automatische Fahren und ermöglichte es mit großen Teams parallel daran zu arbeiten. Die Bewältigung jeglicher Verkehrssituationen und die damit verbundenen Generalisierungsfähigkeiten des Systems bleiben eine Herausforderung. Diese Forschungsarbeit schlägt einen hybriden Ansatz für das automatisierte Fahren vor. Dieser Ansatz vereint die Interpretierbarkeit traditioneller modularer Architekturen für das automatisierte Fahren, und kombiniert diese mit der Generalisierungsfähigkeit tiefer neuronaler Netze.

Im ersten Teil dieser Dissertation wird die Anwendbarkeit des direkten Wahrnehmungsparadigmas in der Praxis untersucht. Dieses Paradigma verbindet die Wahrnehmung direkt mit der Regelung, mit dem Ziel, modulare Architekturen zu simplifizieren. Statt die gesamte Umgebung explizit zu modellieren und zu bewerten, konzentriert sich der Ansatz auf wesentliche Merkmale, die das gewünschte Fahrverhalten beeinflussen. Um Merkmale für das Fahren vorherzusagen, werden Multitask-Lernverfahren genutzt, die direkte Eingaben für Quer- und Längsregler liefern können. Der Einsatzbereich des Systems ist jedoch aufgrund der einfachen regelbasierten Verhaltensplanung begrenzt, was es diesem Ansatz schwer macht, unerwartete Situationen zu addressieren. Aus diesem Grund erweitert und integriert der nachfolgende Teil dieser Dissertation tiefe neuronale Netze in die modulare Architektur. Die hierzu verwendete modulare Architektur nutzt ein Umgebungsmodell und einen modelprädiktiven Planer, welcher durch hochauflösendes Abtasten von Aktionen eine Vielzahl von Fahrstrategien generieren kann. Diese Strategien haben implizite Verhaltensweisen, die von Spurwechseln und Notbremsungen bis hin zum Einfädeln in Zeitlücken zwischen Fahrzeugen reichen. Durch die implizite Verhaltensgenerierung entfällt die Notwendigkeit der expliziten hierarchischen Verhaltensmodellierung.

Der zweite Teil dieser Thesis beschäftigt sich damit, die modulare Architektur in ein Offline-Trainingsverfahren zu integrieren und das Verhalten des modellprädiktiven Planers auf die Präferenzen menschlicher Fahrer abzustimmen. Die erste vorgeschlagene Methode automatisiert den langwierigen Abstimmungsprozess der Belohnungsfunktion, der in der Regel manuell von Experten durchgeführt werden muss. Die generierten Fahrstrategien des modellprädiktiven Planers ermöglichen es „Maximum Entropy Inverse Reinforcement Learning“ unter der Verwendung von Pfadintegralenmerkmalen in hochdimensionalen kontinuierlichen Aktionsräumen anzuwenden. Die darauffolgende Methode verwendet ein tiefes Lernverfahren, um situationsabhängige Belohnungsfunktionen vorherzusagen, wodurch eine Generalisierung über eine Vielzahl von Fahrsituationen hinweg ermöglicht wird. Die generierten Fahrstrategien dienen bei dieser Methode als Eingabeinformationen für das Netzwerk, um Umgebungs- und Fahrdynamikmerkmale zu kombinieren und mit Hilfe dieser situationsabhängige Gewichte der Belohnungsfunktion vorherzusagen. In einer Erweiterung werden strategische und zeitliche Aufmerksamkeitsmechanismen für das Netzwerk vorgeschlagen, um ein konsistentes Fahrverhalten zu erzeugen, während die Belohnungsfunktion für aufeinanderfolgende Planungszyklen stetig angepasst wird.

Der dritte Teil dieser Dissertation konzentriert sich erneut auf die Optimierung und Vereinfachung der modularen Architektur, nachdem das Problem der Generierung der Belohnungsfunktion behandelt wurde. Der vorgeschlagene Ansatz ist darauf ausgelegt, das Situationsverständnis mit Hilfe eines tiefen neuronalen Netzes zu erlernen. Dabei konzentriert sich der Ansatz darauf, die expliziten Bewegungsvorhersagen von umgebenden Objekten zu optionalisieren. Dies wird erreicht, indem von einer annähernd vollständigen Suche eines modellprädiktiven Planers gelernt wird, der in realen Situationen fährt. Die Methode vereint Vorhersage und Planung durch das Vorhersagen von Pixelzuständen des Planungsalgorithmus, die implizit Fahrkomfort, Erreichbarkeit, Sicherheit und Objektinteraktion encodieren.

Diese Dissertation schlägt eine bedeutende Richtung auf dem Weg zu einer skalierbaren Fahrfunktion ein. Die vorgeschlagenen Ansätze lernen die Inhalte, die nur schwer von Hand zu modellieren sind, und gleichzeitig wird die Interpretierbarkeit und Anwendbarkeit von expliziter Logik aufrechterhalten. Dieser hybride Ansatz ermöglicht eine gemeinsame Optimierung von Vorhersage und Planung, eine entscheidende Kombination, um menschenähnliches, durchsetzungsfähiges und sicheres Fahren in interaktiven Verkehrssituationen umzusetzen.