Learning Lane Change Behavior to Enable Situation Awareness for Automated Driving on Highways

In the automotive industry a robust trend towards assisted and automated driving has evolved during the last years.</br> Although the technology to accomplish this ambition has made great progress recently, there are still a lot of challenges left to make assisted and automated driving a safe and comfortable experience.</br> One of the main algorithmical challenges is the aptitude of the technical system to acquire situation awareness. Especially the comprehension of the current traffic situation and the anticipation of all traffic participants' future behavior is an indispensable foundation for successful decision-making.</br> In this thesis a prediction framework is developed that infers a driver's maneuver intention via a hybrid Bayesian network and predicts the future poses of any traffic participant by solving an optimal control problem.</br> The parameters of the methods entailed in the framework are learned from data generated in simulation as well as data acquired from a prototype test vehicle.</br> Different data labeling methods are being investigated to enable the use of supervised machine learning: While the parameters of the Bayesian network are learned using the junction tree algorithm with extensions for hybrid networks, which again is based on the expectation maximization algorithm, the parameters of the optimal control formulation are found via inverse reinforcement learning.

In der Automobilindustrie hat sich seit einigen Jahren ein robuster Trend hin zu assistiertem und automatisiertem Fahren entwickelt.</br> Zwar hat die Technologie zur Erreichung dieser Anstrengung deutliche Fortschritte gemacht, jedoch gilt es noch viele Herausforderungen zu meistern, um assistiertes und automatisiertes Fahren zu einem sicheren und komfortablen Erlebnis zu machen. Eine der größten algorithmischen Herausforderungen ist die Befähigung des technischen Systems Situationsbewusstsein zu entwickeln.</br> Besonders das Verständnis der aktuellen Verkehrssituation und die Antizipation des zukünftigen Verhaltens aller Verkehrsteilnehmer ist eine unverzichtbare Voraussetzung für ein zielvolles Handeln.</br> In dieser Arbeit wird eine Prädiktionsstruktur entwickelt, die die Manöverintention eines Fahrers mittels eines hybriden Bayesschen Netzes inferiert und die zukünftigen Posen eines Umgebungsfahrzeugs durch die Lösung eines Optimalsteuerungsproblems prädiziert.</br> Die Parameter der in dem Prädiktionsgerüst verwendeten Methoden werden von Daten gelernt, welche sowohl über Simulationen synthetisch generiert, als auch aus Realfahrten in einem prototypischen Versuchsfahrzeug aufgezeichnet wurden.</br> Verschiedene Labelingmethoden werden untersucht, um den Einsatz von Verfahren des überwachten maschinellen Lernens zu ermöglichen: Während das Lernen der Parameter des Bayesschen Netzes mittels des Junction Tree Algorithmus mit enthaltenen Erweiterungen für hybride Netze erfolgt, welcher wiederum auf dem Expectation Maximization Algorithmus basiert, werden die Parameter der Optimalsteuerungsformulierung über inverses bestärkendes Lernen gefunden.

Vorschau

Zitieren

Zitierform:
Zitierform konnte nicht geladen werden.

Rechte

Nutzung und Vervielfältigung:
Dieses Werk kann unter einer
CC BY-ND 4.0 LogoCreative Commons Namensnennung - Keine Bearbeitungen 4.0 Lizenz (CC BY-ND 4.0)
genutzt werden.