Selbstlernende Algorithmen zur videobasierten Absichtserkennung von Fußgängern

Verkehrsunfälle stellen aktuell weltweit die acht-häufigste Todesursache dar, mit steigender Tendenz. Besonders gefährdet sind dabei Fußgänger: Sie sind im Verkehrsgeschehen weitgehend ungeschützt, werden schnell übersehen und sind zugleich sehr agil. Eine einzigartige Chance, diesem Trend entgegenzuwirken, bieten moderne Systeme zur Fahrerassistenz (ADAS). Die Herausforderung ist dabei die frühzeitige Erkennung kritischer Verkehrssituationen, um effektiv Gegenmaßnahmen, wie eine Fahrerwarnung oder einen autonomen Fahreingriff, einleiten zu können. Für die Situationsanalyse und die Planung einer adäquaten Reaktion essentiell ist das Wissen über die Bewegungsintention der Fußgänger. In dieser Arbeit werden dazu verschiedene Bewegungsmodelle, basierend auf selbstlernenden Verfahren, insbesondere künstlichen neuronalen Netzen, sowie auf physikalischen Grundlagen, entwickelt und verglichen. Die Hauptaugenmerke liegen dabei auf einer universellen Anwendbarkeit ohne Einschränkung auf bestimmte Szenarien, einer hohen Prädiktionsqualität und gutem Ansprechverhalten insbesondere bei schnellen Bewegungswechseln wie Loslaufen oder Abstoppen.