Your SlideShare is downloading. ×
Automatisierte situationserkennung-zur-bewertung-von-fas
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×

Saving this for later?

Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime - even offline.

Text the download link to your phone

Standard text messaging rates apply

Automatisierte situationserkennung-zur-bewertung-von-fas

294
views

Published on

euroFOT paper from Mohamed Benmimoun at VDI/VW-Gemeinschaftstagung

euroFOT paper from Mohamed Benmimoun at VDI/VW-Gemeinschaftstagung


0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
294
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
0
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. Fahrerassistenzsysteme und Integrierte Sicherheit, 06.10. - 07.10.10, Wolfsburg Titel des Vortrags Automatisierte Situationserkennung zur Bewertung des Potentials von Fahrerassistenzsystemen im Rahmen des Feldversuchs „euroFOT“ Autor (Titel, Vorname, Name) Dipl.-Ing. Mohamed Benmimoun Dienstanschrift/Abt. Institut für Kraftfahrzeuge, RWTH Aachen University, Bereich Fahrerassistenz, Steinbachstr. 7, 52074 Aachen Tel./Fax-Nr. +49 241 80 26381 / +49241 80 22147 E-Mail mbenmimoun@ika.rwth-aachen.de Co-Autoren Dipl.-Ing. Felix Fahrenkrog, Dr.-Ing. Ahmed Benmimoun, (Titel, Vorname, Name, Firma) Institut für Kraftfahrzeuge, RWTH Aachen University Art der Präsentation Vortragspräsentation Themenschwerpunkt Mensch-Maschine-Schnittstelle Innovationsgrad Hoch, da keine standardisierten Methoden existieren Vorpublikationen KeineKurzfassungIm Rahmen eines Feldversuchs wird das Potential von Fahrerassistenzsystemen (FAS) untersuchtund bewertet. Die Hauptaspekte hierbei sind der Einfluss auf das Fahrerverhalten, die Akzeptanz so-wie der Einfluss auf die Sicherheit, Verkehrseffizienz und Umwelt. Insgesamt werden ca. 1000 Fahr-zeuge mit verschiedenen FAS im realen Verkehr untersucht. Die Fahrzeuge werden von verschiede-nen Operationszentren koordiniert. Das „German1“-Operationszentrum untersucht den Einfluss vonAdaptive Cruise Control (ACC), Lane Departure Warning (LDW), Forward Collision Warning (FCW)sowie Curve Speed Warning (CSW) und koordiniert hierfür eine Flotte von 100 Lkws (MAN) und 140Pkws (FORD und VW). Am Institut für Kraftfahrzeuge (ika) wird das Datenmanagement (Datenakquisi-tion, -transfer, -verarbeitung und –speicherung) sowie die Auswertemethodik definiert und entwickelt.Die Versuchsdauer des Feldversuchs beträgt 12 Monaten, wobei die ersten 3 Monate als Referenzpe-riode genutzt werden, in welcher die zu testenden FAS deaktiviert werden. Für die Auswertung wer-den lediglich CAN-Daten sowie GPS-Informationen verwendet. Basierend auf den zu untersuchendenHypothesen und Forschungsfragen des Projekts sind die hierfür benötigten Signale identifiziert wor-den. Diese werden im Anschluss mit Hilfe eines in jedem Fahrzeug installierten Datenloggers vomCAN-Bus aufgezeichnet. Die Daten werden nach der Aufzeichnung automatisch via GPRS auf einemZentralserver übertragen.Insgesamt wird eine Datenmenge von 12 TB prognostiziert. Diese gewaltige Datenmenge stellt einegroße Herausforderung an die sich anschließenden Prozesse und insbesondere an die Auswertungdar. Aus diesem Grund wird auf Grundlage einer automatisierten Situationserkennung die Datenmen-ge auf die für die zu untersuchenden FAS relevanten Situationen reduziert. Dieser Prozessschritt istmit einigen Risiken verbunden. Situationen können durch ungenaue Definition nicht oder fälschlicher-weise als relevant erkannt werden. Aus diesem Grund stellt die zuverlässige Erkennung der relevan-ten Situationen die größte Herausforderung dar, da dieser Arbeitsschritt die Grundlage für die weiterenAnalysen liefert. Insbesondere die Erkennung auf Grundlage von CAN-Informationen ohne die Mög-lichkeit der Verifizierung durch Videodaten erschwert die Erkennung zusätzlich. Daher ist der Algo-rithmus vor Beginn des Feldversuchs im Rahmen einer 5 monatigen Pilotphase mit Hilfe von Videoda-ten verifiziert und optimiert worden.Die Auswertung der Testfahrten hat ergeben, dass bei der Situationserkennung neben der Filterungvon Fehlinformationen aufgrund der Sensorik, die Erkennung von kritischen Situationen sowie dieAnpassung an die unterschiedlichen Fahrzeugkonfigurationen weitere Anstrengungen erfordern. MitHilfe der Videoauswertung sind verschiedene Strategien zur Filterung von häufig auftretenden Fehlde-tektionen durch die Sensorik implementiert worden. Darüber hinaus sind in Testfahrten verschiedenekritische Situationen im realen Verkehr sowie auf Teststrecken untersucht worden. Die Ergebnissedieser Untersuchungen (Grenzwerte für die kritische Zeitlücke, TTC, Verzögerung etc.) sind im An-schluss in die Situationserkennung eingeflossen. Hierbei ist auch der Aspekt der Fahrerintention imRahmen der gegeben Möglichkeiten berücksichtigt worden. Die unterschiedlichen Konfigurationeninnerhalb der Fahrzeugflotte finden in der Situationserkennung ihre Berücksichtigung. So ist bei-spielsweise in einigen Fahrzeugen kein LDW-System verbaut, wodurch zum Teil wesentliche Informa-tionen in Bezug auf einen Spurwechsel fehlen. In diesen Fällen wird auf andere Signale zurückgegrif-fen, um eine Erkennung der Situation zu ermöglichen.Im Vortrag wird die hier vorgestellte Thematik im Detail vorgestellt und erörtert.