Deep-Learning basierte Verhaltensprädiktion rückwärtiger Verkehrsteilnehmer für hochautomatisierte Spurwechsel

Zusammenfassung Bis zur vollständigen Durchdringung des Marktes mit hochautomatisierten Fahrzeugen wird es über eine lange Zeit hinweg zu einem Mischbetrieb mit manuell gesteuerten und hochautomatisierten Fahrzeugen kommen. Für eine Harmonisierung des Straßenverkehrs ist ein gegenseitiges Verständnis der Fahrintentionen daher von entscheidender Bedeutung. In diesem Beitrag wird am Beispiel verschiedener Spurwechselszenarien ein neuartiger Ansatz präsentiert, der den Zusammenhang eines Spurwechselmanövers mit dem zu erwartenden Längsbeschleunigungsverhalten des rückwärtigen Verkehrsteilnehmers auf der Zielspur beschreibt. Die Spurwechselszenarien wurden mithilfe eines LSTM-AE und manuell gewählten Parameterbereichen geclustert und das Längsbeschleunigungsverhalten auf Basis der Cluster durch ein vollverschaltetes KNN gelernt. Bei Clustern mit kurzen Distanzen und negativen Relativgeschwindigkeiten bei Spurwechselbeginn zeigt sich eine erhöhte Bereitschaft der rückwärtigen Verkehrsteilnehmer, kürzere Sicherheitsabstände während des Spurwechsels in Kauf zu nehmen, um den eigenen Bewegungszustand beizubehalten.