Veröffentlichungen

Klitzke, L.; Meyer, J.; Leune, T.; Koch, C. and Köster, F. (2019). DAGMaR: A DAG-based Robust Road Membership Estimation Framework for Scenario Mining. In 2019 Sixth International Conference on Internet of Things: Systems, Management and Security (IOTSMS), The Second International Workshop on Intelligent Transportation and Connected Vehicles Technologies (ITCVT 2019), Granada, Spain, pages 358 - 365. DOI: IOTSMS48152.2019.8939213

Klitzke, L.; Koch, C.; Haja, A. and Köster, F. (2019). Real-world Test Drive Vehicle Data Management System for Validation of Automated Driving Systems. In Proceedings of the 5th International Conference on Vehicle Technology and Intelligent Transport Systems - Volume 1: VEHITS, ISBN 978-989-758-374-2, pages 171-180. DOI: 10.5220/0007720501710180

Haja, A.; Koch, C. and Klitzke, L. (2017). The ADAS SWOT Analysis - A Strategy for Reducing Costs and Increasing Quality in ADAS Testing. In Proceedings of the 3rd International Conference on Vehicle Technology and Intelligent Transport Systems - Volume 1: VEHITS, ISBN 978-989-758-242-4, pages 320-325. DOI: 10.5220/0006354103200325

Spinneker, Rita et al. (2014). Fast fog detection for camera based Advanced Driver Assistance Systems. In 17th International IEEE Conference on Intelligent Transportation Systems (ITSC), pages 1369-1374. DOI: 10.1109/ITSC.2014.6957878

1. Container

Projektteam

Lars Klitzke, MEng.

Prof. Dr. Carsten Koch

Fachbereich Technik | Labor Technische Informatik

Prof. Dr. Andreas Haja

Intelligente Validierung von Fahrerassistenzsystemen

Projektlaufzeit: 03.2016-09.2020

Effizientes Absichern von Fahrfunktionen

In dem Forschungsprojekt FASva der Hochschule Emden/Leer werden Verfahren und Werkzeuge zur Reduzierung von Aufwänden bei der Validierung von Fahrerassistenzsystemen erarbeitet, entwickelt und erprobt. Das Ziel des Projektes ist die Identifizierung und Beschreibung von systemrelevanten Szenarien und davon abgeleitete Systemparameter als wichtige Voraussetzung für das Absichern von automatisiertem und später autonomen Fahren.

Hierfür soll ein möglichst umfassendes Modell des Fahrzeugumfeldes (siehe Abbildung 1) erarbeitet werden, um mit Hilfe dessen potentielle negative Einflussgrößen auf das System zu identifizieren. Diese Erkentnisse können im gesamtem Entwicklungsprozess von Fahrerassistenzsystemen und automatisierten Fahrzeugen einfließen, mit dem Ziel, diesen Vorgang sowohl signifikant effizienter und somit kostengünstiger als auch sicherer zu gestalten.

Abbildung 1a: Identifizierung von Hindernissen und der freien Fahrbahn vor dem Versuchsfahrzeug, basierend auf der im Fahrzeug verbauten Sensorik (Stereo Kamera, Radar, ...). Diese Daten sind Teil des Umgebungsmodells.

Abbildung 1b: Versuchsfahrzeug der Hochschule Emden/Leer mit Messelektronik zur synchronen Aufzeichnung der Daten von Fahrzeugsensorik (4xCAN) und Stereo-Front-Kamera.

Messdatenmanagement für Fahrzeugsensorik

Für die Verwaltung der Messdaten und der Anreicherung zu einem umfangreichem Umgebungsmodell wurde ein modulares Rahmenwerk in C++/Python entwickelt. Durch eine standardisierte Schnittstelle ist das Rahmenwerk unabhängig von der, für die Messfahrten verwendeten, industriellen Lösung zur Aufzeichnung der Fahrten. Aktuell wird zur synchronen Aufzeichnung der Daten von Fahrzeugsensorik und Front-Kamera das Automotive Data and Time-Triggered Framework (ADTF) von Elektrobit verwendet - bislang wurden damit Fahrten im Umfang von ca. 25.000 km durchgeführt.

Eine primäre Komponente des Rahmenwerkes ist das Identifizieren von Szenarien. Dieser Prozess besteht aus mehreren komplexen, beliebig erweiterbaren Teilprozessen, welche bspw. zuständig für das Aggregieren der Daten und das Anreichern aus beliebigen externen Datenquellen (OpenStreetMap, Deutscher Wetterdienst) sind. Für die Analyse und Planung von Testfahrten wurde zudem eine visuelle Darstellung entwickelt (siehe Abbildung 2). Des Weiteren ist es möglich, Statistiken von den Fahrten zu generieren - hier kann aktuell zwischen drei verschiedene Typen von Diagrammen (Tortendiagramm, Balkendiagramm, Hexaplot) ausgewählt werden (siehe bspw. Abbildung 3 und Abbildung 4). Die Statistiken helfen dabei eine hohe Vielfalt der Testfahrten und somit einen hohen Informationsgehalt der Messdaten sicher zu stellen.

Abbildung 2: Das webbasierte Frontend liefert eine Übersicht über die durchgeführten Fahrten und dient gleichzeitig als Werkzeug zur Planung von weiteren Versuchsfahrten. Dieser Prozess wird auch durch die Möglichkeit zur Filterung der Fahrten nach bspw. Tageszeit, Geschwindigkeit oder Straßentyp unterstützt. Zudem können die Informationen zu den angezeigten Fahrten zur weiteren Verarbeitung in bspw. Matlab im JSON-Format exportiert werden.

Abbildung 3: Bei der Durchführung der Fahrten wurde darauf geachtet, dass diese zu unterschiedlichen Tageszeiten durchgeführt werden. Die hier verwendete Einteilung basiert auf die in ISO 15469:2004-02 definierten Klassen. Primär wurden Testfahrten am Tage durchgeführt.

Abbildung 4: Eine Gesamtübersicht über die von der Fahrzeugsensorik gemessenen Außentemperatur.

Suche