TU Darmstadt / ULB / TUprints

Probabilistic, Variable and Interaction-aware Situation Recognition

Klingelschmitt, Stefan :
Probabilistic, Variable and Interaction-aware Situation Recognition.
Technische Universität, Darmstadt
[Ph.D. Thesis], (2018)

This is the latest version of this item.

[img]
Preview
Text
2018-09-10_Klingelschmitt_Stefan.pdf
Available under CC-BY-ND 4.0 International - Creative Commons, Attribution No-derivatives.

Download (1MB) | Preview
Item Type: Ph.D. Thesis
Title: Probabilistic, Variable and Interaction-aware Situation Recognition
Language: English
Abstract:

Future advanced driver assistance systems (ADAS) as well as autonomous driving functions will extend their applicability to more complex highway scenarios and inner-city traffic. For these systems it is a prerequisite to know how an encountered traffic scene is most likely going to evolve. Situation recognition aims to predict the high level behavior patterns traffic participants pursue. Thus, it provides valuable information that helps to predict the next few seconds of a traffic scene. The extension of ADAS and autonomous driving functions to more complex scenarios poses a problem to state-of-the-art situation recognition systems due to the variability of the encountered scene layouts, the presence of multiple interacting traffic participants and the concomitant large number of possible situation classes. This thesis proposes and discusses approaches that tackle these challenges. A novel discriminative maneuver estimation framework provides the possibility to assess traffic scenes with varying layout. It is based on reusable, partial classifiers that are combined online using a technique called pairwise probability coupling. The real-world evaluations indicate that the assembled probabilistic maneuver estimation is able to provide superior classification results. A novel interaction-aware situation recognition framework constructs a probabilistic situation assessment over multiple traffic participants without relying on independence assumptions. It allows to assess each traffic participant individually by using maneuver estimation systems that determine complete conditional distributions. A real-world evaluation outlines its applicability and shows its benefits. The challenges associated with the increasing number of possible situation classes are addressed in two ways. Both frameworks allow to reuse classifiers in different contexts. This reduces the number of models required to cope with a large variety of traffic scenes. Moreover, a situation hypotheses selection scheme provides an efficient way for reducing the number of situation hypotheses. This lowers the computational demands and eases the load on subsequent systems.

Alternative Abstract:
Alternative AbstractLanguage
Zukünftige intelligente Fahrerassistenzsysteme (FAS) und autonome Fahrfunktionen werden darauf abzielen, auch mit komplexen Autobahnszenarien und innerstädtischen Verkehr umgehen zu können. Für solche Systeme ist es eine Grundvoraussetzung einschätzen zu können, wie sich eine vorgefundene Szene wahrscheinlich entwickeln wird. Die Situationserkennung beschäftigt sich damit abstrakte Verhaltensmuster der beteiligten Verkehrsteilnehmer vorherzusagen und ist damit ein entscheidender Teil der Szenenvorhersage. Die Ausweitung des Anwendungsbereiches zukünftiger FAS und autonomer Fahrfunktionen stellt ein Problem aufgrund der Variabilität der vorgefundenen Szenen, der Anwesenheit von mehreren, interagierenden Verkehrsteilnehmern und die damit einhergehende große Anzahl von möglichen Situationen für aktuell verfügbare Situationserkennungstechniken dar. Die vorgelegte Arbeit befasst sich mit Ansätzen, diese Probleme zu lösen. Ein neuartiger, diskriminativer Manövererkennungsansatz bietet die Möglichkeit, auf unterschiedliche Verkehrsszenen angewendet zu werden. Die Idee des Ansatzes basiert darauf, wiederverwendbare Teile des Klassifikationssystems online zu kombinieren. Evaluationen auf realen Verkehrsszenarien zeigen die Vorteile des vorgeschlagenen Ansatzes. Ein neuartiger, Situationserkennungsansatz bietet die Möglichkeit, für eine Szene mit mehreren, interagierenden Verkehrsteilnehmern eine probabilistische Situationsschätzung vorzunehmen. Dabei ist der Ansatz auf keinerlei Unabhängigkeitsannahme angewiesen und erlaubt es trotzdem, mögliche Manöver jedes Verkehrsteilnehmers einzeln zu schätzen. Die Idee dieses Ansatzes basiert darauf, die kompletten bedingten Wahrscheinlichkeitsverteilungen über die Manöver jedes Verkehrsteilnehmers zu schätzen. Evaluationen auf realen Verkehrsszenarien bestätigen die Anwendbarkeit des vorgestellten Ansatzes. Die Probleme, die mit der hohen Anzahl von möglichen Situationen einhergehen, werden auf zwei Arten in dieser Arbeit angegangen. Beide vorgestellten Ansätze erlauben es bereits parametrisierte Situationsklassifikatoren wiederzuverwenden und in neuen Kontexten zu kombinieren. Das reduziert die Anzahl an benötigten Klassifkationsmodellen, da nicht jede vorgefundene Szene ein spezialisiertes Klassifikationsmodell benötigt. Darüber hinaus bietet eine Situationshypothesenselektion die Möglichkeit, effizient den aufgespannten Situationsraum zu verkleinern. Diese Maßnahme reduziert den rechnerischen Aufwand, und die verringerte Anzahl von Situationshypothesen entlastet nachfolgende SystemeGerman
Place of Publication: Darmstadt
Classification DDC: 000 Allgemeines, Informatik, Informationswissenschaft > 004 Informatik
500 Naturwissenschaften und Mathematik > 500 Naturwissenschaften
600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften
Divisions: 18 Department of Electrical Engineering and Information Technology
18 Department of Electrical Engineering and Information Technology > Institut für Automatisierungstechnik und Mechatronik > Control Methods and Robotics
Date Deposited: 04 Oct 2018 09:42
Last Modified: 04 Oct 2018 09:42
URN: urn:nbn:de:tuda-tuprints-80662
Referees: Adamy, Prof. Dr. Jürgen and Sendhoff, Prof. Dr. Bernhard
Refereed: 10 September 2018
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/8066
Export:

Downloads

Downloads per month over past year

Available Versions of this Item

  • Probabilistic, Variable and Interaction-aware Situation Recognition. (deposited 04 Oct 2018 09:42) [Currently Displayed]
Actions (login required)
View Item View Item