Parametric Motion Models for Long-Term Trajectory Predictions in Interactive Traffic Scenarios

The number of traffic fatalities in developed countries has decreased significantly in recent decades. This decrease is substantially based on the extensive spread of active driver assistance systems. Since human error remains by far the most common cause of accidents, advanced driver assistance systems (ADAS) and autonomous driving (AD) still offer considerable potential for improving road safety. In addition, ADAS resp. AD could not only improve traffic safety, but also increase passenger comfort and traffic flow. Improved traffic flow would reduce both travel time and energy consumption, thereby decreasing emissions, too. Traffic is a highly dynamic environment with fast moving and interacting participants. Thus, for reasonable behavior planning, reliable and accurate trajectory predictions of surrounding traffic participants are essential, especially in interactive driving scenarios. Within this thesis, solely model-driven trajectory prediction approaches are considered, due to their benefits in generalization and traceability.

We start with the simple but very common car-following scenario. In this context, we use the Intelligent Driver Model (IDM), which has been the most widely used model in the literature over the last two decades. To achieve an accurate model-driven long-term trajectory prediction, an online parameter estimation of the car-following motion model is required. Such an online parameter estimation approach should provide accurate and steady trajectory predictions, require low computational effort and exhibit a short settling time. However, there is a notable lack of such approaches for car-following scenarios in the literature. We close this gap by introducing the Online IDM (OIDM). The applied weight-based optimization approach provides an interpolation between suitable parameter prototype sets, resulting in a smooth and relatively steady parameter evolution, while being computationally efficient. Additionally, the OIDM exhibits a high trajectory prediction accuracy, clearly outperforming the baseline approaches.

One striking parameter of simple parametric motion models is the reaction time. Based on an offline parameter estimation, we show that, in clear contrast to the state of the art, reaction times are important for the IDM. Possible reasons for this new finding are discussed. To further investigate the role of reaction time in the IDM, its influence on online parameter estimation is analyzed as well. Considering reaction time leads to a significant reduction in parameter variation over time, highlighting its importance. Overall, it is shown that reaction times are important for both offline and online parameter calibrations within the car-following scenario.

To expand the application scope of the car-following IDM, we propose a model extension, which is also able to handle merging and crossing scenarios. This model, named General IDM (GIDM), is based on three additional principles: "pressure from back", projection with blending-in and anticipatory position shift. A reasonable and foresighted human driver strives for safety, comfort and utility. Therefore, extensive simulations are made to evaluate the proposed GIDM with respect to these criteria. A comparison with a baseline IDM reveals significant improvements in all considered measures of these criteria. Further, the GIDM remains crash-free, even for critical merging and crossing scenarios. Thus, a simple parametric motion model, which is capable of modeling merging and crossing scenarios, is introduced.

However, in contrast to car-following scenarios, agents in interactive merging and crossing scenarios exhibit multiple different principle behavior choices, referred as intentions, such as merging in front or behind. Accordingly, the future trajectory of an agent highly depends on its intention. Thus, in multi-intention resp. multi-situation scenarios, such as merging and crossing, an intention resp. situation classification is extremely beneficial for the long-term trajectory prediction task. Therefore, we extend a state-of-the-art intention classification approach into a combined classification and prediction framework. This framework efficiently combines intention classification and subsequent trajectory prediction by using the same intention-specific motion models for both tasks. The proposed GIDM enables the creation of these required simple intention-specific motion models for the most common traffic scenarios.
The remaining question is how to choose the parameters within these intention-specific motion models. We demonstrate that the state-of-the-art approach for handling the parameter uncertainty in the intention-specific motion models is insufficient. To address this, we propose a new approach, named Classification with Parameter Optimization (CPO), to handle this parameter uncertainty. This modification leads to significant improvements for both classification and, in particular, trajectory prediction, as we demonstrate using both simulated and real-world traffic data.

Overall, this thesis provides and analyzes tools to enable accurate long-term trajectory predictions within various interactive traffic scenarios at low computational costs.

Die Anzahl der Verkehrstoten in den Industrienationen ist in den letzten Jahrzehnten deutlich gesunken. Ein Großteil dieses Rückgangs ist auf die weite Verbreitung von aktiven Fahrerassistenzsystemen zurückzuführen. Nach wie vor sind Fehler der menschlichen Fahrer der häufigste Unfallgrund im Straßenverkehr. Folglich bieten moderne Systeme zur Fahrerunterstützung und autonomes Fahren immer noch viel Verbesserungspotential bei der Verkehrssicherheit. Zusätzlich zur Erhöhung der Sicherheit können solche Systeme ebenfalls den Fahrkomfort und den Verkehrsfluss verbessern. Eine Verbesserung des Verkehrsflusses würde sowohl die Fahrzeit als auch den Spritverbrauch, und damit Abgasemissionen, verringern. Der Straßenverkehr ist ein dynamisches Umfeld mit schnellen Verkehrsteilnehmern, die sich gegenseitig beeinflussen. Somit ist es, um eine angemessene Verhaltensplanung zu ermöglichen, notwendig, die Trajektorien der anderen Verkehrsteilnehmer zuverlässig und präzise vorhersagen zu können. Das gilt insbesondere für interaktive Verkehrsszenarios. Im Rahmen dieser Thesis werden nur modellgetriebene Verfahren zur Trajektorienvorhersage betrachtet, da diese Vorteile in den Bereichen Generalisierung und Nachvollziehbarkeit aufweisen.

Innerhalb dieser Arbeit dient das Intelligent Driver Model (IDM), ein bekanntes und gut erforschtes Fahrzeugfolge-Modell, als Startpunkt. Um eine präzise modellgetriebene Langfristtrajektorienvorhersage zu erreichen, wird eine Online-Parameterschätzung des Fahrzeugfolge-Modells benötigt. Solch eine Parameterschätzung sollte nicht nur eine präzise und stetige Trajektorienvorhersage ermöglichen, sondern auch wenig Rechenleistung benötigen und eine kurze Einpendelzeit besitzen. Jedoch herrscht in der Literatur ein Mangel an solch einem Parameterschätzverfahren für das Fahrzeugfolge-Szenario. Um diese Lücke zu schließen, wird im Rahmen dieser Arbeit das Online IDM (OIDM) eingeführt. Statt die Parameter direkt zu optimieren, basiert der verwendete Optimierungsansatz auf der Anpassung der normierten Gewichte von geeigneten Parameterprototypen. Somit sind die geschätzten Parameter stets eine Interpolation der verwendeten Parameterprototypen. Hierdurch wird sowohl ein stetiger, wenig volatiler Parameterverlauf erreicht als auch weniger Rechenleistung benötigt. Darüber hinaus ist die Genauigkeit der Trajektorienvorhersage signifikant höher als bei den Vergleichsmodellen.

Ein markanter Parameter von einfachen parametrischen Bewegungsmodellen ist die Reaktionszeit. Basierend auf einer Offline-Parameterschätzung wird gezeigt, dass Reaktionszeiten, anders als bisher in der Literatur angenommen, für das IDM von Bedeutung sind. Mögliche Gründe für diese Unterschiede zum Stand der Technik werden diskutiert. Für eine weiterführende Untersuchung, ob Reaktionszeiten essentiell für das IDM bzw. Fahrzeugfolge-Modelle im Allgemeinen sind, wird zusätzlich deren Einfluss auf die Ergebnisse einer Online-Parameterschätzung untersucht. Die zusätzliche Berücksichtigung der Reaktionszeit führt zu einer deutlichen Verringerung der Parameterschwankungen. Alles in allem kann gezeigt werden, dass Reaktionszeiten sowohl bei Offline- als auch bei Online-Parameterschätzungen Vorteile aufweisen und somit von großer Bedeutung innerhalb des Fahrzeugfolge-Szenarios sind.

Ein weiteres Ziel dieser Arbeit ist es den Anwendungsbereich des Fahrzeugfolge-Modells IDM zu vergrößern. Hierzu wird das IDM dahingehend erweitert, dass es auch das Verhalten auf Spurzusammenführungen und Kreuzungen modellieren kann. Diese Erweiterung beruht im Wesentlichen auf drei Prinzipien: "Druck von hinten", stetig einblendende Projektion und eine vorausschauende Positionsverschiebung. Das resultierende Bewegungsmodel wird als General IDM (GIDM) bezeichnet. Das Fahrverhalten eines vernünftigen, vorausschauend agierenden menschlichen Fahrers ist sicher, komfortabel und weißt einen entsprechenden Transportnutzen auf. Das GIDM wird mittels ausführlicher Simulationen auf diese drei Eigenschaften überprüft. Im Vergleich mit einem Basis-IDM wird eine deutliche Verbesserung in allen betrachteten Kriterien festgestellt. Selbst in kritischen Situationen weißt das GIDM ein unfallfreies Verhalten auf. Somit ist mit dem GIDM nun ein einfaches parametrisches Bewegungsmodell, welches das Verhalten in den wesentlichen Verkehrsszenarien Fahrzeugfolgen, Spurzusammenführungen und Kreuzungen modellieren kann, verfügbar.

Im Gegensatz zu einspurigen Szenarien, wie dem Fahrzeugfolge-Szenario, können Fahrer in mehrspurigen Szenarien, wie Spurzusammenführungen oder Kreuzungen, zwischen prinzipiell verschiedenen Verhaltensoptionen, wie zum Beispiel vor oder hinter einem anderen Fahrzeug auf dessen Spur zu wechseln, wählen. Diese prinzipiellen Verhaltensoptionen werden als Intentionen bezeichnet. Es ist offensichtlich, dass die zukünftige Trajektorie eines Fahrzeugs in hohem Maße von der Intention des Fahrers abhängt. Somit ist in Szenarien mit mehreren möglichen Intentionen, wie der Spurzusammenführung oder der Kreuzung, eine Klassifikation der Intention des Fahrers nahezu unabdingbar für eine zuverlässige langfristige Trajektorienvorhersage. Zu diesem Zweck wird ein im Stand der Technik beschriebener Intentionsklassifizierer derart erweitert, dass ein kombiniertes Klassifikations- und Trajektorienvorhersagesystem entsteht. Dieses System schlägt zwei Fliegen mit einer Klappe, indem es dieselben intentions-spezifischen Bewegungsmodelle sowohl für die Intentionsklassifizierung als auch die anschließende Trajektorienvorhersage verwendet. Um diese intentions-spezifischen Bewegungsmodelle zu erhalten, wird das neu eingeführte GIDM entsprechend modifiziert. Somit ist es möglich, das gewünschte intentions-spezifische Verhalten für die zentralen Verkehrsszenarios unter Einsatz geringer Rechenleistung zu realisieren. Hier stellt sich nun die Frage, wie die Parameter dieser intentions-spezifischen Modelle gewählt werden sollen. Zunächst wird gezeigt, dass der Stand der Technik-Ansatz zur Parametrisierung, welcher auf dem Abtasten von Parameterwerten basiert, keine zufriedenstellenden Ergebnisse liefert. Um die Schwachstellen des alten Ansatzes zu beseitigen, wird ein neuer Ansatz zur Parametrisierung vorgestellt. Dieser neue Ansatz, bezeichnet als Classification with Parameter Optimization (CPO), führt zu signifikanten Verbesserungen, sowohl bei der Intentionsklassifizierung als auch bei der Trajektorienvorhersage. Die Auswertung erfolgt sowohl anhand von simulierten als auch realen Verkehrsdaten.

Kurz gesagt, diese Thesis führt Methoden und Systeme zur Realisierung von recheneffizienten modellgetriebenen Langzeit-Trajektorienvorhersagen mit geringem Rechenaufwand ein und analysiert diese.