TP 7Interaktion mit schwächeren Verkehrsteilnehmern

Nicht selten kommt es im Verkehrsgeschehen zu Situationen, die durch Interaktion zwischen Verkehrsteilnehmern aufgelöst werden, indem diese ihre Absichten oder ein gewünschtes Verhalten durch Handlungen und Gesten signalisieren. Typische Beispiele sind die Aufnahme von Blickkontakt zwischen Fahrer und Fußgänger an einem Zebrastreifen, das Handzeichen mit dem ein Fahrradfahrer eine Abbiegeabsicht signalisiert oder die Handzeichen eines Polizisten, der den Verkehr regelt.

Mit der Automatisierung von Fahrzeugen treten technische Systeme als Akteure in den bisher allein durch menschliches Handeln geprägten Straßenverkehr ein. Automatisierte Fahrzeuge stehen dabei vor der Herausforderung, vielfältige und komplexe Situationen mit anderen Verkehrsteilnehmern sicher zu beherrschen. Eine wesentliche Voraussetzung dafür ist, dass automatisierte Fahrzeuge dazu in der Lage sind, das Verhalten und die Absichten von anderen Verkehrsteilnehmern zu erkennen und zu verstehen. Dies gilt in ganz besonderem Maße in Situationen mit schwächeren Verkehrsteilnehmern.

Verhaltensanalyse und Intentionserkennung

Schwächere Verkehrsteilnehmer kommunizieren im Straßenverkehr überwiegend mittels Posen und Gesten. Dies geschieht zum einen zielgerichtet, indem Absichten bewusst durch Gesten signalisiert werden. Ein Radfahrer zeigt beispielsweise durch Handzeichen die Absicht an, den Fahrstreifen zu wechseln oder an einer Kreuzung abzubiegen. Andererseits senden schwächere Verkehrsteilnehmer auch unbewusst Signale aus, mit deren Hilfe andere Verkehrsteilnehmer in der Lage sind, auf deren zukünftiges Verhalten zu schließen. Das kann z.B. die Blickrichtung eines Fußgängers sein, die darauf hindeutet, dass dieser ein herannahendes Fahrzeug gesehen hat. Um das Verhalten von verletzlichen Verkehrsteilnehmern zu antizipieren, müssen automatisierte Fahrzeuge solche Handlungen und Gesten sicher erkennen

und richtig interpretieren können. Dies waren die Ziele des Teilprojektes „Interaktion mit schwächeren Verkehrsteilnehmern“.

Ausgangspunkt für eine weitergehende Verhaltensanalyse war die sichere und robuste Erkennung von schwächeren Verkehrsteilnehmern im Straßenverkehr. Dafür kamen Stereo-Kameras sowie ggf. Laserscanner und hochauflösende Radarsensoren zum Einsatz. Durch eine Sensorfusion wurden die Informationen der unterschiedlichen Sensorquellen dann zu einem konsistenten Bild zusammengefasst. Die Erkennung von schwächeren Verkehrsteilnehmern wurde insbesondere auch mittels lernender Verfahren realisiert, wie beispielsweise tiefen neuronalen Netzen, und war so in der Lage, schwächere Verkehrsteilnehmer auch unter erschwerten Bedingungen, wie z.B. bei

teilweiser Verdeckung, robust zu erkennen. Ein Schwerpunkt des Teilprojekts lag auf der Detailanalyse von schwächeren Verkehrsteilnehmern. Basierend auf einer Feldstudie wurden zunächst relevante Interaktionsmerkmale sowie eine Menge an Elementargesten identifiziert und auf ihre Relevanz hin bewertet. Unter Nutzung verschiedener Sensormodalitäten wurden dann relevante Merkmale zur Intentions- und Gestenerkennung aus den Sensordaten extrahiert. Diese Merkmale bildeten die Grundlage für eine Erkennung von Posen (wie z.B. Kopf- und Körperpose, Blickrichtung oder Beinstellung) und Gesten (wie z.B. Handzeichen eines Radfahrers) von schwächeren Verkehrsteilnehmern.

Kontextinformationen

Oft ist für die genaue Verhaltens- oder Absichtsinterpretation der Kontext von Bedeutung, in dem schwächere Verkehrsteilnehmer agieren. Deshalb müssen ebenfalls relevante Elemente des Verkehrsumfeldes (z.B. Objekte, Belegung / Freifläche, Bordsteinkanten, Zebrastreifen) als Kontextinformationen erkannt und in Kombination mit den Gestenmerkmalen interpretiert werden. Auf Basis der erkannten Posen und Gesten sowie der

relevanten Kontextinformationen kann dann eine Intentionserkennung und Verhaltensmodellierung für schwächere Verkehrsteilnehmer erfolgen. Dafür kamen insbesondere lernende Verfahren zur Anwendung. Mittels einer nachgelagerten Situationsanalyse und Verhaltensplanung wurden dann Handlungsstrategien für das Automatisierte Fahren abgeleitet und umgesetzt.