Automatisierte Fahrzeuge und Assistenzsysteme entwickeln sich ständig weiter, um den Fahrer in vielen Fahraufgaben zu ergänzen. Bekannte Beispiele sind das Abstandhalten und Folgen von Autos auf Autobahnen, die Kontrolle von toten Winkeln, die Empfehlung sicherer Fahrspurwechsel oder die Navigation in städtischen Straßen. Diese Innovationen haben größtenteils ihre Ursache in den preiswerten Sensoren zur Perzeption und der verbesserten Rechenleistung von Computerchips.

Trotz der Möglichkeiten ist es zur breiten Akzeptanz von selbstfahrenden Automobilen unerlässlich, die Sicherheit in Bezug auf selbst verschuldete Unfälle oder kritische Begegnungen nachzuweisen. Die Gesellschaft bevorzugt im Wesentlichen Technologien, bei der die Ursachen hinter der ausgewählten Aktion oder Warnung erkennbar sind und verstanden werden. Das Verständnis hilft, Vertrauen aufzubauen und ermöglicht so dem Fahrer, die Kontrolle von einem aktiven System bewusst zu übernehmen. Das finale Ziel ist die Bereitstellung eines generischen und transparenten Algorithmus zur Planung mit harten Sicherheitsgrenzen.

In dieser Dissertation wird das vorgestellte Problem behandelt, indem Risikomodelle beim Fahren entwickelt und sie auf die relevanten Automobilthemen der Prädiktion, Planung und Warnung angewendet werden. Die Modelle prädizieren die Bewegung von Fahrzeugen entlang von Kartenpfaden und umfassen mehrere Typen von Risiken, wie Risiken von Kollisionen bis hin zu gefährlich scharfen Kurven. Hierbei, werden die Fahrrisiken beschrieben durch Wahrscheinlichkeiten und Unfallschwere und verbessern erfolgreich das Verhalten für das Fahrzeug.

Die Dissertation besteht insgesamt aus drei Teilen. Zuerst werden die bestehenden Modelle aus dem Stand der Technik mit realen Unsicherheiten erweitert, die in der Fahrdynamik, in unbekannten zukünftigen Umwelteinflüssen und in möglichen Verhaltensalternativen von anderen Fahrzeugen aufkommen. Unfall- und Verkehrsdaten zeigen, dass unter anderem das Risikomodell eine höhere Auflösung hat als gängige Zeitindikatoren. Als Nächstes wird eine neuartige Planungsmethode eingeführt, welche das Situationsrisiko minimiert und den Nutzen und Komfort maximiert, um ein eigenes Geschwindigkeitsprofil zu finden. In allen statistischen Simulationen von Auffahren oder Kreuzungsfahrten, realisiert der Ansatz erfolgreich ein intelligentes Manöver. Die besondere Eigenschaft der Planungsmethode ist es, die Vorfahrten zwischen den interagierenden Autos intelligent zu berücksichtigen. Zuletzt wird der risikobasierte Planer online für eine Fahrerwarnung mit unterschiedlichen Sensorkonfigurationen und Testorten genutzt. Damit ist die Anwendbarkeit im echten Straßenverkehr aufgezeigt. Das Endsystem ist in der Lage, die Zeitprädiktionen und Trajektorien mit niedrigem Risiko in intuitive Signalausgänge zur Visualisierung in der Praxis umzuformen.

Zusammenfassend basieren die vorgeschlagenen Methoden auf vollständig transparenten Modellen mit probabilistischen Formulierungen. Dies kann als ein bedeutender Beitrag zur Validierung und zum Fortschritt von intelligenten Robotern, im Speziellen bei Fahrzeugen, angesehen werden. Im Vergleich zu reaktiven Logiken und datengetriebenem maschinellem Lernen bieten die Methoden detaillierte Informationen über die Fahrsituation mit direkter Verbindung zur Bewegungsplanung.

Wenn sie nicht als Techniken zur Assistenz verwendet werden, könnten sie dennoch helfen die Fahrerleistung oder Sicherheit von existierenden Plattformen zu bewerten. Möglich ist auch die Einschätzung der Fähigkeiten des Menschen beim Fahren. Die Grundlage bildet immer eine integrierte Risikoberechnung, die von elektronisch aufgezeichneten Fahrzeugbegegnungen und mittleren Variationen der Fahrzeugdynamik parametrisiert wird. So kommen wir dem Finalziel der Vermeidung von Unfällen, weniger Verkehrsstaus und komfortablem Fahren ein Stück näher.