Fahrerassistenzsysteme leisten bereits heute einen bedeutenden Beitrag zur Sicherheit im Straßenverkehr. Um diesen Beitrag weiter zu erhöhen, müssen zukünftige intelligente Fahrzeuge ihre Umgebung jedoch noch eingehender wahrnehmen, prädizieren und bewerten. In diesem Kontext behandelt die vorliegende Dissertation die Fragen, i) wie die Fahrumgebung geeignet in einem Umfeldmodell repräsentiert werden kann, ii) wie eine solche Repräsentation realisierbar ist und iii) wie die zukünftige Entwicklung der Verkehrssituation sowie deren Kritikalität abgeschätzt werden kann. Bayessche Inferenzverfahren bilden das gemeinsame theoretische Gerüst aller hierzu entworfenen Methoden.

Ausgehend von den Limitierungen bestehender Umgebungsrepräsentationen wird in dieser Arbeit zunächst eine neue parametrische Repräsentation allgemeiner Fahrumgebungen eingeführt. Sie besteht aus einer Kombination aus dynamischen Objektkarten für sich bewegende Objekte und sogenannten parametrischen Freiraumkarten für statische Umgebungsstrukturen. Letztere modellieren die Umgebung mittels einer geschlossenen Kurve, die das Fahrzeug umgibt und die relevante befahrbare Freiräume einschließt. Die Repräsentation stellt alle wesentlichen Informationen, die auch in den verbreiteten Belegungsgitterkarten enthalten sind, kompakt dar, unterdrückt irrelevante Details und unterscheidet konsistent zwischen dynamischen und statischen Objekten.

Eine neue Methode zur Erstellung von Belegungsgitterkarten in dynamischen Fahrumgebungen bildet die Basis zur Realisierung dieser Repräsentation. Hierbei werden dynamische Zellhypothesen detektiert, gruppiert und objektbasiert mit einem adaptiven Bayesschen Mehrmodellfilter für nichtlineare Markov-Sprungprozesse – dem sogenannten Interacting Multiple Model Unscented Kalman Probabilistic Data Association Filter (IMM-UK-PDAF) – zeitlich verfolgt und klassifiziert. Das Zwischenresultat ist eine dynamische Objektkarte sowie eine optimierte Belegungsgitterkarte der statischen Umgebung. Aus der optimierten Gitterkarte werden daraufhin relevante Freiräume mit Methoden der Bildverarbeitung extrahiert und im Rahmen eines nachgeschalteten B-Spline-Konturverfolgungsschritts robust in eine parametrische Freiraumkarte überführt. Evaluationen und Experimente, die in realen Fahrumgebungen mit einem mit Radarsensoren und Stereokamera ausgerüsteten Versuchsfahrzeug ausgeführt wurden, bestätigen die Vorteile des echtzeitfähigen Ansatzes.

Die so erzeugte Umgebungsrepräsentation dient darüber hinaus als Basis für ein neues Langzeit-Trajektorienprädiktions- und Kritikalitätsbewertungsverfahren. Den Ausgangspunkt hierfür bildet ein dreischichtiges Bayessches Netz, das genutzt wird, um auf die aktuellen Fahrmanöver der Verkehrsteilnehmer zu schließen. Eine Restmanöverklasse erlaubt zusätzlich die Erkennung irrationaler Fahrerhandlungen sowie die nahtlose Anwendbarkeit von hochstrukturierten bis hin zu unstrukturierten Fahrumgebungen. Weiterhin werden manöverbasierte Prädiktionsmodelle in Form stochastischer Prozesse vorgestellt und zur Vorhersage der Fahrzeugkonfigurationen unter Berücksichtigung von Unsicherheiten in der Manöverausführung genutzt. Abschließend wird das Kritikalitätszeitmaß Time-To-Critical-Collision-Probability (TTCCP) als Erweiterung des Zeitmaßes Time-To-Collision (TTC) für beliebige unsichere Fahrumgebungen mit mehreren Objekten eingeführt, das auch für längere Prädiktionshorizonte geeignet ist. Die TTCCP bezieht alle unsicheren, manöverbasierten Vorhersagen mit ein und wird mittels einer Monte-Carlo-Simulation geschätzt. Simulationen bestätigen das Potential des Ansatzes Fehlwarnungen zu unterdrücken, korrekte Warnungen frühzeitig zu erzeugen sowie auch in kritischen Beinahezusammenstoßsituationen effektiv zu warnen.

Anwendung finden die Methoden im Assistenzsystem PRORETA 3, das im Rahmen dieser Arbeit mitentwickelt wurde. Dieses stellt einen integralen Ansatz zur Kollisionsvermeidung und Fahrzeugautomatisierung dar und leistet damit seinerseits einen wertvollen Beitrag zur Realisierung der Vision Zero – der Vision einer Zukunft ohne Verkehrstote.