TU Darmstadt / ULB / TUbiblio

Situation-based Risk Evaluation and Behavior Planning

Damerow, Florian (2018)
Situation-based Risk Evaluation and Behavior Planning.
Technische Universität Darmstadt
Dissertation, Erstveröffentlichung

Kurzbeschreibung (Abstract)

The presented dissertation addresses the problem of risk evaluation and behavior planning for future intelligent Advanced Driver Assistance Systems (ADAS). For this purpose, a novel framework for situation-based risk evaluation and behavior planning, targeting highly automated driving, is presented.

After properly sensing the current scene, including the current road topology and other traffic participants, the proposed framework first estimates and predicts the future behavior of all involved entities comprising a situation classification and trajectory prediction step. This is then followed by the generation of the own future behavior in a behavior planning step which is based on an evaluation of possible ego behavior alternatives in terms of risk and utility considerations. The future behavior is planned in a way to find a tradeoff between the expected future risk and utility.

Inner-city traffic scenarios in particular are usually complex and of high uncertainty, considering measurements as well as behavioral decisions. To reduce the complexity, similar behavior alternatives are clustered and represented by prototypical behavior patterns using so-called situations. A novel situation classification approach is proposed to estimate how good a situation matches with the actual behaviors. This approach is based on a comparison of the prototypically predicted trajectories of the considered situations with the actual measured trajectories. For this purpose a novel measure for spatio-temporal trajectory similarity, based on the evaluation of longitudinal and lateral spatio-temporal distance, is derived. The situation classification system is used to detect incorrect and critical traffic behaviors, especially in scenarios with a disregard of right-of-way. Evaluating the system using real-world crash cases reveals that it is able to warn the driver reliably of an upcoming crash, with sufficient time to initiate a suitable evasive behavior.

For the prediction of situation-dependent prototypical scene evolution patterns, the interaction-aware Foresighted Driver Model (FDM) is applied in a forward simulation of a sensed scene under different situation-dependent behavioral assumptions. The proposed FDM is a novel, time continuous driver model for the simulation and prediction of freeway and urban traffic.

Based on the general risk evaluation and behavior planning framework developed in this thesis, the driver model equations are introduced from the assumption that a driver tries to balance predictive risk (e.g. due to possible collisions along its route) with utility (e.g. the time required to travel, smoothness of ride, etc.). For this purpose, a computationally inexpensive, approximate risk model targeting only risk maxima and a gradient descent-based behavior generation is applied. It is shown, how such a model can be used to simulate and predict driving behavior with a similar performance compared to full behavior planning models. The FDM is applicable to a wide range of different scenarios, e.g. intersection or highway-accessing scenarios, with the consideration of an arbitrary number of traffic entities. Thus, the FDM generalizes and reaches beyond state-of-the-art driver models.

Complex traffic situations require the estimation of future behavior alternatives in terms of predictive risks. Risk assessment has to be driven from the knowledge that the acting scene entity requires to evaluate the own future behavior. Based on the predicted future dynamics of traffic scene entities, an approach is presented, where a continuous, probabilistic model for future risk is used to build so-called predictive risk maps. These maps indicate how risky a certain ego behavior will be at different future times, so that they can be used to directly plan the best possible future behavior.

The behavior in complex scenarios differs strongly, depending on the actually occurring situation. However, sensory measurements of the ego- and other involved entities' states as well as the prediction of possible future states are generally of high uncertainty. As a consequence, the current driving situation can only be approximated.

Additionally, a situation can change very quickly, e.g. if a traffic participant suddenly changes its behavior. In this thesis an approach is proposed, how to plan a safe, but still efficient future behavior under consideration of multiple possible situations with different occurrence probabilities. In several traffic scenarios comprising simulated as well as recorded real-world data, it is shown that the approach generates an efficient behavior for situations which are likely to occur, while generating a plan B to safely deal with improbable but risky situations.

Typ des Eintrags: Dissertation
Erschienen: 2018
Autor(en): Damerow, Florian
Art des Eintrags: Erstveröffentlichung
Titel: Situation-based Risk Evaluation and Behavior Planning
Sprache: Englisch
Referenten: Adamy, Prof. Dr. Jürgen ; Sendhoff, Prof. Dr. Bernhard ; Hochberger, Prof. Dr. Christian ; Griepentrog, Prof. Dr. Gerd
Publikationsjahr: 2018
Ort: Darmstadt
Datum der mündlichen Prüfung: 14 August 2017
URL / URN: http://tuprints.ulb.tu-darmstadt.de/6790
Kurzbeschreibung (Abstract):

The presented dissertation addresses the problem of risk evaluation and behavior planning for future intelligent Advanced Driver Assistance Systems (ADAS). For this purpose, a novel framework for situation-based risk evaluation and behavior planning, targeting highly automated driving, is presented.

After properly sensing the current scene, including the current road topology and other traffic participants, the proposed framework first estimates and predicts the future behavior of all involved entities comprising a situation classification and trajectory prediction step. This is then followed by the generation of the own future behavior in a behavior planning step which is based on an evaluation of possible ego behavior alternatives in terms of risk and utility considerations. The future behavior is planned in a way to find a tradeoff between the expected future risk and utility.

Inner-city traffic scenarios in particular are usually complex and of high uncertainty, considering measurements as well as behavioral decisions. To reduce the complexity, similar behavior alternatives are clustered and represented by prototypical behavior patterns using so-called situations. A novel situation classification approach is proposed to estimate how good a situation matches with the actual behaviors. This approach is based on a comparison of the prototypically predicted trajectories of the considered situations with the actual measured trajectories. For this purpose a novel measure for spatio-temporal trajectory similarity, based on the evaluation of longitudinal and lateral spatio-temporal distance, is derived. The situation classification system is used to detect incorrect and critical traffic behaviors, especially in scenarios with a disregard of right-of-way. Evaluating the system using real-world crash cases reveals that it is able to warn the driver reliably of an upcoming crash, with sufficient time to initiate a suitable evasive behavior.

For the prediction of situation-dependent prototypical scene evolution patterns, the interaction-aware Foresighted Driver Model (FDM) is applied in a forward simulation of a sensed scene under different situation-dependent behavioral assumptions. The proposed FDM is a novel, time continuous driver model for the simulation and prediction of freeway and urban traffic.

Based on the general risk evaluation and behavior planning framework developed in this thesis, the driver model equations are introduced from the assumption that a driver tries to balance predictive risk (e.g. due to possible collisions along its route) with utility (e.g. the time required to travel, smoothness of ride, etc.). For this purpose, a computationally inexpensive, approximate risk model targeting only risk maxima and a gradient descent-based behavior generation is applied. It is shown, how such a model can be used to simulate and predict driving behavior with a similar performance compared to full behavior planning models. The FDM is applicable to a wide range of different scenarios, e.g. intersection or highway-accessing scenarios, with the consideration of an arbitrary number of traffic entities. Thus, the FDM generalizes and reaches beyond state-of-the-art driver models.

Complex traffic situations require the estimation of future behavior alternatives in terms of predictive risks. Risk assessment has to be driven from the knowledge that the acting scene entity requires to evaluate the own future behavior. Based on the predicted future dynamics of traffic scene entities, an approach is presented, where a continuous, probabilistic model for future risk is used to build so-called predictive risk maps. These maps indicate how risky a certain ego behavior will be at different future times, so that they can be used to directly plan the best possible future behavior.

The behavior in complex scenarios differs strongly, depending on the actually occurring situation. However, sensory measurements of the ego- and other involved entities' states as well as the prediction of possible future states are generally of high uncertainty. As a consequence, the current driving situation can only be approximated.

Additionally, a situation can change very quickly, e.g. if a traffic participant suddenly changes its behavior. In this thesis an approach is proposed, how to plan a safe, but still efficient future behavior under consideration of multiple possible situations with different occurrence probabilities. In several traffic scenarios comprising simulated as well as recorded real-world data, it is shown that the approach generates an efficient behavior for situations which are likely to occur, while generating a plan B to safely deal with improbable but risky situations.

Alternatives oder übersetztes Abstract:
Alternatives AbstractSprache

Diese Dissertation behandelt das Problem der Verhaltensevaluierung und -planung für zukünftige, intelligente Fahrerassistenzsysteme (FAS). Hierzu wird ein neues Framework für die situationsbezogene Risikobewertung und Verhaltensplanung im Bereich des hochautomatisierten Fahrens vorgestellt.

Nach der sensorischen Erfassung der aktuellen Szene, einschließlich der Straßentopologie sowie weiterer Verkehrsteilnehmer, schätzt das vorgestellte Framework zunächst das zukünftige Verhalten aller involvierten Teilnehmer in einem Situationsklassifikations- und Trajektorienprädiktionsschritt. Basierend darauf wird eine Risikoauswertung von möglichen Verhaltensalternativen des Ego-Fahrzeugs durchgeführt, um dann durch eine Verhaltensanpassung einen Kompromiss aus Risiko und Nutzen zu finden.

Vor allem innerstädtische Verkehrsszenarien sind in der Regel komplex und mit hoher Unsicherheit behaftet. Zur Reduzierung der Komplexität werden ähnliche Verhaltensweisen zusammengefasst und durch prototypische Verhaltensmuster in so genannten Situationen dargestellt. Um abzuschätzen, wie gut eine Situation dem tatsächlichen Verhalten entspricht, werden prototypische Verhaltensprädiktionen der berücksichtigten Situationen mit dem tatsächlich gemessenen Verhalten verglichen. Hierbei wird ein neu entwickeltes Ähnlichkeitsmaß für raumzeitliche Trajektorien angewandt, das auf der getrennten Auswertung des lateralen und longitudinalen raumzeitlichen Abstands basiert. Unter Verwendung des neuartigen Systems zur Situationsklassifikation werden riskante Situationen zu- verlässig erkannt, welche sich durch "fehlende Interaktion" zwischen Verkehrsteilnehmern auszeichnen.

Für die prototypische Vorhersage situationsbezogener Trajektorien wird das interaktionsbewusste Fahrermodell Foresighted Driver Model (FDM) in einer Vorwärtssimulation der sensorisch erfassten Szene unter situationsbezogenen Verhaltensannahmen angewandt. Das in dieser Arbeit vorgeschlagene Fahrermodell FDM ist ein neuartiges, zeitkontinuierliches Fahrermodell für die Simulation und Vorhersage von Autobahn- und innerstädtischen Verkehrssituationen. Hierbei wird davon ausgegangen, dass ein Fahrer durch sein Verhalten versucht, einen Kompromiss zwischen zukünftigem Risiko (auf Grund möglicher Kollisionen entlang eines Pfades) und Effizienz (bezüglich Reisezeit und Komfort) zu finden. Basierend auf dem allgemeinen Framework zur Verhaltensplanung und einem angenäherten Risikomodell, werden die Fahrermodellgleichungen durch die Annahme begründet, dass ein Fahrer in erster Linie versucht, Risikomaxima sowohl räumlich als auch zeitlich zu vermeiden. In dieser Arbeit konnte gezeigt werden, dass ein solches Fahrermodell in Simulations- und Prädiktionsanwendungen eine Leistung ähnlich der einer vollen Verhaltensplanung erreicht. Das FDM ist auf ein breites Spektrum an unterschiedlichen Szenarien, wie z.B. Kreuzungs- oder Autobahnszenarien, unter Berücksichtigung beliebig vieler Verkehrsteilnehmer anwendbar. Daher werden die dem Stand der Technik entsprechenden Fahrermodelle durch das FDM verallgemeinert und eine Anwendung auf weiterführenden Szenarien wird ermöglicht.

Komplexe Verkehrssituationen erfordern die Auswertung von Verhaltensmöglichkeiten hinsichtlich des zukünftigen Risikos. Die Risikobewertung des eigenen zukünftigen Verhaltens ist getrieben von verhaltensbezogenen Bedürfnissen des agierenden Verkehrsteilnehmers. Im vorge- schlagenen Ansatz wird basierend auf der vorhergesagten Dynamik der Verkehrsteilnehmer ein zeitlich kontinuierliches Wahrscheinlichkeitsmodell für künftige Risiken verwendet, um sogenannte prädiktive Risikokarten zu erzeugen. Diese Risikokarten beschreiben, wie riskant ein bestimmtes Ego-Verhalten zu verschiedenen zukünftigen Zeitpunkten sein wird. Somit können sie direkt dazu verwendet werden, das bestmögliche zukünftige Verhalten zu planen.

Verhalten in komplexen Szenarien unterscheiden sich stark in Abhängigkeit der tatsächlich auftretenden Situationen. Im Allgemeinen kann die aktuelle Situation oft nur mit hoher Unsicherheit anhand gegenwärtiger und vergangener sensorischer Messungen des Ego-Fahrzeugs und anderer beteiligter Fahrzeuge bestimmt werden. Zusätzlich kann sich eine vorherrschende Verkehrssituation schnell ändern, z.B. wenn ein Verkehrsteilnehmer sein Verhalten plötzlich ändert. In dieser Arbeit wird daher ein Ansatz vorgestellt, der es ermöglicht das zukünftige Verhalten unter Berücksichtigung von mehreren möglichen Situationen mit unterschiedlichen Eintrittswahrscheinlichkeiten sicher und trotzdem effektiv zu planen. Dieser Ansatz generiert speziell für Situationen mit hoher Wahrscheinlichkeit sehr effizientes Verhalten. Für unwahrscheinliche, aber riskante Situationen wird ein Plan B bereit gestellt, der lediglich auf die Minimierung des Risikos abzielt, falls eine dieser Situationen unerwartet eintritt.

Deutsch
URN: urn:nbn:de:tuda-tuprints-67903
Sachgruppe der Dewey Dezimalklassifikatin (DDC): 600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften und Maschinenbau
Fachbereich(e)/-gebiet(e): 18 Fachbereich Elektrotechnik und Informationstechnik
18 Fachbereich Elektrotechnik und Informationstechnik > Institut für Automatisierungstechnik und Mechatronik > Regelungsmethoden und Robotik (ab 01.08.2022 umbenannt in Regelungsmethoden und Intelligente Systeme)
18 Fachbereich Elektrotechnik und Informationstechnik > Institut für Automatisierungstechnik und Mechatronik
Hinterlegungsdatum: 18 Feb 2018 20:55
Letzte Änderung: 18 Feb 2018 20:55
PPN:
Referenten: Adamy, Prof. Dr. Jürgen ; Sendhoff, Prof. Dr. Bernhard ; Hochberger, Prof. Dr. Christian ; Griepentrog, Prof. Dr. Gerd
Datum der mündlichen Prüfung / Verteidigung / mdl. Prüfung: 14 August 2017
Export:
Suche nach Titel in: TUfind oder in Google
Frage zum Eintrag Frage zum Eintrag

Optionen (nur für Redakteure)
Redaktionelle Details anzeigen Redaktionelle Details anzeigen