Prediction of Driver Behavior and Decision Strategies for Autonomous Driving : Using Machine Learning and Decision Theory

Münst, Wolfgang

Autonomous and automated driving development has been making quick progress within the last years and many large automotive companies have announced initiatives to offer self-driving cars soon, some as early as 2020. During the first decades, these automated cars will have to share the road with human drivers. A way to increase safety and comfort for these automated vehicles and improve current advanced driver-assistance systems (ADAS), is to take the expected future behavior of other traffic participants into account. This increases the time a vehicle can use to react to changes in its environment and therefore allows for more comfortable or safe actions to be chosen. Relevant research areas to achieve this goal include computer vision, machine learning, situational awareness, decision making and many more. In this thesis, we contribute and evaluate new ideas for some of the challenges in the toolchain required for predicting the behavior of other traffic participants and deciding what to do with these. We used supervised machine learning techniques for both reactive predictions (short-term) and motivation-based predictions (long-term) and contribute to the question how the data used for machine learning can be labeled, comparing manual to semi-automated to automated approaches. This is especially interesting when subjective data is involved, e.g. at which point in time a motivation arose in a driver, even though he did not act on it yet. How to use and what to actually do with predictions in vehicles equipped with ADAS or automated vehicles is the next contribution. We evaluated many heuristics and a new, complex decision model based on decision theory. As use case, an adaptive cruise control system was enhanced by our prototype implementation of predictors and decision algorithms. We used an automated prototype research car in a case study and compared the effects on safety and comfort using objective data evaluation and subjective feedback from the study participants. We are able to show that even simple prediction and decision algorithms are able to improve the current status quo considerably and that the more advanced models work even better, but at the cost of substantial complexity increases.

Die Entwicklung von autonomen und automatisierten Fahrfunktionen ist die letzten Jahre schnell voran geschritten und viele große Fahrzeughersteller haben angekündigt, bald selbstfahrende Autos vorzustellen. Manche bereits im Jahr 2020. Mindestens die ersten Jahrzehnte werden diese automatisierten Fahrzeuge die Straße mit menschlichen Fahrern teilen müssen. Eine Möglichkeit um die Sicherheit und den Komfort in diesen Fahrzeugen und aktuellen Fahrerassistenzsystemen (ADAS) zu erhöhen besteht darin, das erwartete zukünftige Verhalten anderer Verkehrsteilnehmer zu berücksichtigen. Dadurch kann das Fahrzeug wertvolle Zeit gewinnen um frühzeitiger auf Veränderungen in seiner Umgebung zu reagieren und ermöglicht es, komfortablere und sicherere Verhaltensweisen zu wählen. Um dieses Ziel zu erreichen, muss auf Erkenntnisse aus unterschiedlichen Forschungsgebieten zurückgegriffen werden, darunter Computer Vision, maschinelles Lernen, Situationsbeurteilung, Entscheidungstheorie und vielen anderen. In dieser Dissertation werden neue Ideen vorgestellt und ausgewertet, die zur Vorhersage des Verhaltens anderer Verkehrsteilnehmer dienen und Entscheidungsmöglichkeiten diese Vorhersagen zu verwenden. Wir haben Methoden aus dem überwachten maschinellem Lernen für reaktive (sehr kurzfristige) und Motivations-basierte (etwas längerfristige) Vorhersagen genutzt und tragen zu Fragestellungen bei, wie die Daten für maschinelles Lernen annotiert werden können. Dabei haben wir manuelle, halb-automatische und automatische Ansätze verglichen. Das war besonders dann interessant, wenn subjektive Daten betroffen waren, z.B. zu welchem Zeitpunkt genau die Motivation etwas zu tun in einem Fahrer aufkam, auch wenn er noch nicht sofort deswegen sein Verhalten geändert hat. Wie bestehende Vorhersagen in Fahrzeugen genutzt werden können, die Fahrerassistenzsysteme oder Automatisierungsfunktionen haben, ist ein weiterer Beitrag. Wir evaluieren viele Heuristiken und ein neues, komplexes Entscheidungsmodell basieren auf Entscheidungstheorie. Als Anwendungsfall haben wir ein adaptive cruise control Fahrerassistenzsystem (ACC) um Vorhersage und Entscheidungsalgorithmen zu einem neuen Prototyp-System erweitert. Dieses System wurde von uns in einem Prototypfahrzeug in einer Probandenstudie verwendet, um den Einfluss auf Sicherheit und Komfort sowohl objektiv als auch subjektiv zu bewerten. Dadurch können wir zeigen, dass selbst einfache Vorhersagen und Entscheidungsalgorithmen aktuelle System deutlich verbessern können und dass noch fortschrittlichere Systeme zwar noch besser funktionieren, dies jedoch durch deutlich höherer Komplexität erkauft wird.

Vorschau

Zitieren

Zitierform:

Münst, Wolfgang: Prediction of Driver Behavior and Decision Strategies for Autonomous Driving. Using Machine Learning and Decision Theory. Hagen 2020. FernUniversität in Hagen.

Zugriffsstatistik

Gesamt:
Volltextzugriffe:
Metadatenansicht:
12 Monate:
Volltextzugriffe:
Metadatenansicht:

Grafik öffnen

Rechte

Nutzung und Vervielfältigung:
Alle Rechte vorbehalten

Export

powered by MyCoRe