Passwort vergessen?  |  Anmelden
 |  Passwort vergessen?  |  Anmelden
Suche

Sonntag, 20. Januar 2019

Fahrzeugtechnik

Maschinelles Lernen soll Stadtverkehr sicherer machen

Von Johannes Winterhagen | 25. Oktober 2018 | Ausgabe 43

Continental forscht gemeinsam mit der Technischen Universität Darmstadt an adaptiven Assistenzsystemen. Ziel ist höhere Akzeptanz durch die Fahrer.

conti BU
Foto: Continental

Reicht die Lücke zum sicheren Linksabbiegen? Das Assistenzsystem berücksichtigt bei seinen Angaben den individuellen Fahrstil des Nutzers.

Einer für alle. Das gilt bislang für nahezu jedes Fahrerassistenzsystem, das in einem modernen Auto zum Einsatz kommt. Den vom Hersteller definierten Einstellungen muss sich der Fahrer beugen oder das System abschalten. „Eine allgemeine Funktionsauslegung führt jedoch zu niedriger Akzeptanz“, erläutert Maren Henzel, Wissenschaftliche Mitarbeiterin an der Technischen Universität Darmstadt. „Unterschiedliche Fahrer haben unterschiedliche Präferenzen.“ Die auf dem August-Euler-Flugplatz bei Darmstadt vorgestellten Ergebnisse des Forschungsprojekts Proreta 4 sollen dieses Hindernis nun überwinden.

Stolz führt Henzel einen umgebauten Volkswagen Passat vor. Dieser ist mit einem neuen Assistenzsystem ausgestattet, das Linksabbieger vor entgegenkommenden Fahrzeugen warnt und dem Fahrer die Lücken für die Einfahrt in den Kreisverkehr anzeigt. Das ist für sich schon eine Neuheit, doch die eigentliche Leistung der Forscher liegt darin, dass für die Funktionen keine festen Schwellwerte mehr existieren. Denn die Empfehlungen des Assistenzsystems basieren auf einem lernenden Algorithmus, der den Fahrer anhand seines bisherigen Fahrstils einschätzt.

Zu Beginn des vierten Projekts innerhalb des Proreta-Programms, einer dauerhaften Kooperation der TU Darmstadt mit dem Autozulieferer Continental, stand nur eine Vorgabe: Die Forscher sollten künftige Autos mithilfe des maschinellen Lernens sicherer machen. „Zunächst haben wir gemeinsam nach einer sinnvollen Anwendung gesucht“, berichtet Henzel. Die Analyse der Unfallzahlen zeigte dann das Potenzial, das Assistenzsysteme für den urbanen Raum bieten.

Zwar entfällt nur etwa ein Drittel aller im Straßenverkehr Getöteten auf den Stadtverkehr. Bei den Leicht- und Schwerverletzen ist der Anteil innerorts jedoch höher als auf jedem anderen Straßentyp. Dabei dominieren – wenig überraschend – drei Unfalltypen: Entweder handelt es sich um Auffahrunfälle oder es kracht, wenn einer der Unfallgegner nach rechts oder nach links in eine Straße einbiegt. Während der Notbremsassistent für stadttypische Geschwindigkeiten in neuen Serienfahrzeugen zur Serienausstattung gehört, sind bislang keine Assistenzsysteme verfügbar, die den Fahrer beim Abbiegen unterstützen. „Genau hier stellt sich aber die Akzeptanzfrage“, so Henzel. In Probandenstudien fanden die Nachwuchswissenschaftler aus Darmstadt nämlich heraus: Während sportlichen Fahrern eine Zeitlücke von 5 s zwischen zwei entgegenkommenden Fahrzeugen ausreicht, benötigen defensive Fahrer 2 s länger zum Abbiegen. Zudem sollte ein Kreuzungsassistenzsystem bei seinen Empfehlungen berücksichtigen, wie aufmerksam der Fahrer aktuell ist. Dies gilt insbesondere für Fahrer, die an einer Kreuzung ohne eindeutige Vorfahrtsregelung geradeaus fahren.

Die Lösung der Darmstädter liegt in einem zweistufigen Verfahren: Zunächst wurde anhand von Daten aus Realfahrten ein mit lernenden Algorithmen arbeitendes Modell entwickelt. Es klassifiziert jeden Fahrer anhand definierter Fahrmanöver in eine von drei Fahrstilkategorien und definiert zudem in 200-ms-Intervallen einen optimalen Zeitabstand für das Abbiegen. Die Festlegung ist nicht dauerhaft, sondern erfolgt laufend neu, so dass auch Fahrerwechsel und persönliche Fitness berücksichtigt werden können. Die resultierenden Empfehlungen zeigt das Forschungsfahrzeug über das Display hinter dem Lenkrad in Form von roten und grünen Balken an. Zudem kommen Töne und Sprachausgabe zum Einsatz.

Knut Ehm, Leiter Vorentwicklung der Continental-Division Interior, lobte die jungen Wissenschaftler: „Solchen adaptiven Assistenzsystemen, die individuelle Präferenzen der Fahrer berücksichtigen, gehört die Zukunft.“ Von Mensch-Maschine-Schnittstelle will Ehm gar nicht mehr sprechen. „Das ist ein Begriff von gestern.“ Es gehe vielmehr darum, dem Menschen einen digitalen Beifahrer zur Verfügung zu stellen.

Die Entwicklung des lernenden Modells ist jedoch nicht die einzige Voraussetzung, damit der digitale Beifahrer die richtigen Empfehlungen ausspricht. Denn um in sicherheitskritischen Situationen eine Empfehlung aussprechen zu können, muss die Eigenlokalisierung des Fahrzeugs sehr genau arbeiten. Auch die Kombination von GPS-Signalen und Wegstreckenmessung, wie sie in heutigen Fahrzeugen Standard ist, reiche nicht aus, so die Forscher. Sie entwickelten daher zwei Verfahren, die auf der Erfassung von Landmarken durch die Bordkamera und deren Abgleich mit existierenden Kartendaten beruhen. Ein Problem solcher Verfahren ist normalerweise die mangelnde Langzeitstabilität der Daten. Mithilfe statistischer und lernender Verfahren können jedoch hochgenaue Karten laufend angepasst werden.

Um die Aufmerksamkeit des Fahrers zu detektieren, setzen die Proreta-Forscher ein halbes Dutzend Infrarotkameras ein. Sie ermöglichen es, die Blickrichtung des Fahrers relativ exakt zu bestimmen, auch bei Dunkelheit oder wenn der Fahrer eine Sonnenbrille trägt.

Korreliert man die Blickrichtung mit den Daten der Radarsensoren, mit denen das Fahrzeug den vorausliegenden Verkehrsraum betrachtet, dann könnte ein Assistenzsystem theoretisch nur dann eine Warnung aussprechen, wenn der Fahrer eine potenzielle Gefahr noch nicht erkannt hat. Eine erste einfache Anwendung ist bereits in das Versuchsfahrzeug integriert: Es erkennt, ob der Fahrer an einer Rechts-vor-Links-Kreuzung überhaupt nach rechts geblickt hat, und warnt mit einem Ton und einem Symbol. Je nach Einstellung lobt oder tadelt es den Fahrer hinter der Kreuzung sogar mit Sätzen wie „Nächstes Mal bitte besser absichern“.

Die Absicherung der lernenden Algorithmen stellt für Maren Henzel den Kern des Projekts dar. Zwar sei eine klassische Überprüfung der funktionalen Sicherheit im Entwicklungsprozess nicht möglich, dennoch könnten Entwickler eine ganze Reihe von Empfehlungen beachten, damit es nicht zu Fehlentscheidungen des Systems komme. Das beginnt mit der Auswahl repräsentativer Daten und geht bis hin zu einfachen Kontrollalgorithmen, die sich am gesunden Menschenverstand orientieren. Auf die Frage, ob sie lernenden Modellen vertraut, antwortet die Maschinenbauingenieurin: „Ja, aber nur unter bestimmten Voraussetzungen.“