On-Board Vehicle Tracking and Behavior Anticipation for Advanced Driver Assistance Systems

DSpace Repository


Dateien:

URI: http://hdl.handle.net/10900/58487
http://nbn-resolving.de/urn:nbn:de:bsz:21-dspace-584874
Dokumentart: PhDThesis
Date: 2014-12
Language: English
Faculty: 7 Mathematisch-Naturwissenschaftliche Fakultät
Department: Informatik
Advisor: Butz, Martin V. (Prof. Dr.)
Day of Oral Examination: 2014-12-03
DDC Classifikation: 004 - Data processing and computer science
Keywords: Objektverfolgung , BAYES , Fahrzeug , Robotik , Vorhersagbarkeit , Wahrscheinlichkeit , Fahrer , Plausibilität , Innenstadt , Autobahn , Verhalten
Other Keywords: Prädiktion
Bayessisches Netz
Kalman Filter
Verhaltensantizipation
Fahrerassistenzsysteme
Antizipation
ADAS
Advanced Driver Assistance Systems
Behavior Anticipation
Prediction
Bayesian Networks
Populationcodes
Bayesian Filter
Bayesian Histogram Filter
License: http://tobias-lib.uni-tuebingen.de/doku/lic_mit_pod.php?la=de http://tobias-lib.uni-tuebingen.de/doku/lic_mit_pod.php?la=en
Order a printed copy: Print-on-Demand
Show full item record

Inhaltszusammenfassung:

Im Rahmen dieser Dissertation wird ein probabilistisches System zur Positionsbestimmung (Tracking) von Fahrzeugen und zu deren Verhaltensantizipation zur Verwendung in Fahrerassistenzsystemen entwickelt. Um in kritischen Fahrsituationen eingreifen zu können, benötigen Fahrerassistenzsysteme (Advanced Driver Assistance Systems) Wissen über den momentanen und zukünftigen Standort der umgebenden Fahrzeuge. Die Herausforderung dabei ist die Behandlung von Unsicherheiten im Fahrerverhalten und in den Sensormessungen. Sensoren liefern stets ein verrauschtes Abbild der Realität und Fahrverhalten kann nicht exakt prädiziert werden. Ein Fahrerassistenzsystem benötigt verlässliche Daten und kann nicht direkt mit diesen verrauschten Sensorinformationen arbeiten. Aus diesem Grund muss ein wahrscheinlichkeitsbasiertes internes Abbild der Umgebung modelliert werden, welches alle Sensorinformationen auf mathematisch optimalem Wege miteinander verknüpft und das gesammelte Wissen aus den verschiedenen Zeitpunkten bestmöglich kombiniert. Mithilfe dieses probabilistischen Abbilds der Realität kann ein Fahrerassistenzsystem die Unsicherheiten in der Sensorwahrnehmung bei der Aktionsplanung berücksichtigen. Im Gegensatz zu den meisten aktuellen Ansätzen im Fahrzeug-Tracking-Umfeld wird in dieser Arbeit die Unsicherheit in den Positionen der einzelnen umgebenden Fahrzeuge mithilfe eines probabilistischen Netzes, auch bekannt als Bayesischer Histogramm-Filter (BHF), repräsentiert. Diese Repräsentation kann mit multi-modalen Wahrscheinlichkeitsverteilungen umgehen, indem sie die Wahrscheinlichkeit in einzelnen Zellen des Histogramms speichert und anhand von probabilistischen Regeln, welche die Fahrzeugkinematik und das Fahrerverhalten simulieren, durch das Netz propagiert. Zunächst behandeln wir die probabilistische Repräsentation der Fahrzeugposition und Geschwindigkeit durch die Histogrammzellen, sowie die Modelle zur Propagierung der Wahrscheinlichkeiten durch das Netz. Als nächstes wird die Eigenbewegungskompensation behandelt, sowie die Verwendungsmöglichkeit der Repräsentation als Bayesischer Filter. Weiterhin widmen wir uns den Fehlern, die durch die diskrete Repräsentation entstehen. Durch die Erweiterung um ein Attraktorkonzept, welches ein zielgerichtete Fahrerverhalten modelliert, wird das BHF zu einem ICUBHF (Iterative Context Using Bayesian Histogram Filter) weiterentwickelt. Dies ermöglicht die Antizipation des Fahrverhaltes des beobachteten Fahrzeugs, indem die Wahrscheinlichkeiten verschiedener Verhaltensalternativen miteinander verglichen werden. Des Weiteren geben wir einen Überblick über verschiedene Vergleichsmaße und den aktuellen Stand der Forschung. Zuallerletzt wird der ICUBHF in verschiedenen Echtwelt-Szenarien getestet. Die Evaluationsergebnisse bestätigen, dass der ICUBHF-Ansatz dazu in der Lage ist, Fahrzeuge bei der Durchfahrt von Straßenkreuzungen zu tracken und zugleich deren Verhalten zu antizipieren. In der Zusammenfassung legen wir mögliche Verbesserungen dar, die für die Verwendung des ICUBHF in einem Produktivbetrieb eines Fahrerassistenzsystems notwendig sind, welches mit beliebigen RealweltKreuzungsszenarien arbeiten kann. Ein solches System würde Fahrerassistenzsystemen erlauben in komplexen innerstädtischen Szenarien andere Fahrzeuge zu tracken und ihr Verhalten zu antizipieren.

Abstract:

This thesis develops a probabilistic vehicle tracking and behavior anticipation system for advanced driver assistance systems. Advanced Driver Assistance System(s) (ADAS) need to know where other vehicles in the surrounding of the ego-vehicle are or will be in a few seconds, in order to maintain a safe driving state by activating evasive actions or issuing warnings to the driver in the event of a critical situation. The difficulty of this task are the uncertainties in driver behavior and sensor readings. Since sensors are never accurate and behavior cannot be predicted exactly, the internal estimate of the surrounding world state has to be modeled probabilistically. In contrast to most state-of-the-art approaches in the vehicle tracking domain, this thesis represents the uncertainty of an individual vehicle position estimate by a probabilistic grid representation also known as a Bayesian Histogram Filter (BHF). This representation handles multi-modal distributions by saving the probability in individual grid cells and propagates them through the grid by model assumptions that simulate real-world vehicle kinematics and driver behavior. In this thesis, first, the probabilistic position and velocity representation by the grid cells is discussed, as well as the models that propagate the probabilities. Then, the ego-movement compensation and how to use the representation for position tracking is illustrated. Next, the thesis deals with specific errors that emerge due to the discrete grid representation. The BHF is then further developed towards an Iterative Context Using Bayesian Histogram Filter (ICUBHF) approach by introducing an attractor-driven behavior model. This addition enables the anticipation of the behavior of the monitored vehicles’ by comparing the likelihood of different behavior alternatives. Surveys of different comparison measures and of related research are provided as well. Finally, the ICUBHF is evaluated in different real-world settings. The evaluation results confirm that the ICUBHF approach is able to track a vehicle and anticipate the behavior in a real-world intersection scenario. In conclusion, we outlined possible improvements necessary to create a productive ADAS application that deals with arbitrary real-world intersection scenarios. Such a system would allow an ADAS to work in complex urban scenarios in which it could track other vehicles and anticipate their behavior.

This item appears in the following Collection(s)