DeCoInt2

Das DeCoInt2 Projekt (Detecting Intention of Vulnerable Road Users based on Collective Intelligence as a Basis for Aumated Driving) verfolgt das Ziel, die Absicht ungeschützter Verkehrsteilnehmer im Verkehr mit  automatisierten Fahrzeugen zu erkennen, wobei kooperative Technologien eingesetzt werden sollen. Individuelle Mobilität wird auch im zukünftigen Verkehr eine wichtige Rolle spielen. Automatisiertes Fahren wird dabei eine Schlüsselrolle einnehmen. Es hat das Potential, die Verkehrssicherheit und den Verkehrsfluss zu erhöhen und die Umweltverschmutzung sowie den Ressourcenverbrauch zu senken. Besonders im städtischen Umfeld werden ungeschützte Verkehrsteilnehmer wie Fußgänger und Fahrradfahrer nach wie vor eine wichtige Rolle im gemischten Verkehr der Zukunft einnehmen. Um einen unfallfreien und hocheffizienten Verkehrsfluss mit automatisierten Fahrzeugen zu erreichen, ist es nicht nur wichtig, die ungeschützten Verkehrsteilnehmer wahrzunehmen. Mindestens genauso bedeutend ist es, deren Absichten zu erkennen und zu analysieren, wie das menschliche Fahrer auch machen, wenn sie das Verhalten ungeschützter Verkehrsteilnehmer vorausschätzen.  Eine zuverlässige und robuste Wahrnehmung ungeschützter Verkehrsteilnehmer und deren Absichten in Echtzeit mit einem multi-modalen Sensorsystem, z. B. mit Videokameras, Laserscannern, Beschleunigungssensoren und Gyroskopen in mobilen Endgeräten, ist eine immense Herausforderung. Im Projekt wird weit über bestehende Arbeit hinausgegangen und einem ganzheitlichen, kooperativen Ansatz gefolgt, um Bewegungen von Personen (z. B.: wann startet ein stehender Fahrradfahrer?) und deren Trajektorien (z. B.: wird die Person links abbiegen?) zu prädizieren. Heterogene, offene Mengen von Agenten (zusammenarbeitende, interagierende Fahrzeuge, Infrastruktur und ungeschützte Verkehrsteilnehmer, die ein mobiles Endgerät mitführen) tauschen Informationen aus, um individuelle Modelle der Umgebung zu erstellen. Diese erlauben eine genaue Vorhersage von grundlegenden Bewegungen und Trajektorien ungeschützter Verkehrsteilnehmer. Verdeckungen, Implausibilitäten und Inkonsistenzen werden durch die kollektive Intelligenz kooperierender Agenten aufgelöst. Innovative Methoden werden entwickelt, indem neue Signalverarbeitungs- und Modellierungstechniken mit lernbasierten Ansätzen der Mustererkennung kombiniert werden. Die Kooperation der Agenten wird auf mehreren Ebenen, wie der Wahrnehmung, der erkannten Trajektorien und der bereits detektierten Absichten, untersucht. Daraus resultierend wird eine Kommunikationsstrategie vorgeschlagen, um die erforderlichen Informationen in einem ad hoc Netzwerk kooperierender Agenten auszutauschen. Die Techniken werden an realen Daten evaluiert, wobei ein Forschungsfahrzeug, eine Forschungskreuzung mit öffentlichem Verkehr und mehrere mobile Endgeräte benutzt werden.