Schlüsselwort: Sensorfusion

In der vorliegenden Arbeit werden sogenannte Fahrassistenzsysteme adressiert, die den Fahrer bei der komplexen Aufgabe der Fahrzeugführung unterstützen. Grundlage für viele dieser Systeme ist eine robuste und zuverlässige Spurerkennung, d.h. die Bestimmung der Lage des eigenen Fahrzeuges innerhalb der Fahrspur sowie des weiteren Spurverlaufs. Die darauf aufbauende Unterstützung reicht von einer Warnung des Fahrers vor dem Verlassen der Fahrspur, über die Spurzuordnung für Längsregelsysteme, wie dem Abstandsregeltempomaten (ART), bis hin zum automatischen Eingriff in die Lenkung zur Unterstützung des Fahrers bei der Spurhaltung. Die meisten Systeme zur Spurerkennung basieren auf Kamerasystemen, die am Innenspiegel der Fahrzeuge angebracht sind und den Verkehrsraum vor dem Fahrzeug beobachten. Dabei werden die weißen Fahrbahnmarkierungen im Bild erkannt und die relevanten Parameter geschätzt. Sind die Fahrbahnmarkierungen aufgrund von Verschmutzung, Verdeckung durch andere Verkehrsteilnehmer, aber auch infolge von schlechten Sicht- und Witterungsbedingungen (wie Schnee, Regen, Dunkelheit und tiefstehende Sonne) nur schlecht zu erkennen, so können optische Spurerkennungssysteme die Informationen über den Spurverlauf nur mit verminderter Qualität oder gar nicht zur Verfügung stellen. In dieser Arbeit wird ein Multisensorsystem für die robuste und zuverlässige Spurerkennung vorgestellt. Es wurde ein modulares und erweiterbares Konzept zur Sensorfusion mittels Kalman Filter erarbeitet. Ein Schwerpunkt der Arbeit lag dabei auf der Untersuchung von verschiedenen bereits im Fahrzeug verfügbaren Sensoren. Hierzu wurden ein (D)GPS basiertes Kartensystem sowie ein auf Radar basierendes Objekterkennungssystem genauer analysiert. Zusätzlich wurden Verfahren entwickelt, die es erlauben, alle fahrbahnparallelen Strukturen in die Spurverlaufsschätzung miteinzubeziehen. Durch die Fusion von verschiedenen Sensoren kann es verstärkt zu Mehrdeutigkeiten, Fehlern in der Zuordnung und Fehlmessungen kommen. Zusätzlich ist eine grundlegende Problemstellung die Auslegung des Fusionsfilters. Dessen Parametrisierung stellt immer einen Kompromiss für das gewählte Szenario dar. Konkurrierende Probleme sind das Zulassen hoher Dynamik und die Reduktion des Rauschens. Zur Lösung werden mehrere Spurverlaufshypothesen für ausgewählte Sensorkombinationen aber auch für verschiedene Fahrmanöver aufgesetzt und parallel verfolgt. Diese werden mittels eines Gütekriteriums bewertet und in der Hypothesenfusion kombiniert. Zur Hypothesenverfolgung und -fusion wird das 'Interacting Multiple Model' (IMM) Filter eingesetzt. Das IMM Filter unterscheidet sich gegenüber anderen Mehrfiltersystemen darin, dass angenommen wird, dass der Übergang von einem Modell zu einem anderen nicht rein zufällig vonstatten geht, sondern sich durch eine Markov-Kette erster Ordnung modellieren lässt. Es wurde gezeigt, dass die Robustheit, Verfügbarkeit und Zuverlässigkeit der Spurerkennung mittels Sensorfusion signifikant verbessert werden kann. Die Stärken der einzelnen Sensoren werden dabei hervorgehoben, deren Nachteile abgeschwächt. Der Multihypothesenansatz stellt eine wesentliche Verbesserung der Spurerkennung dar. Er erlaubt die Erkennung und Optimierung einzelner Manöver und Situationen. Darüber hinaus können Fehler von Einzelsensoren über den dargestellten Ansatz robust über die Zeit detektiert werden. Generell erlaubt es der dargestellte Ansatz nicht alleine, die Robustheit der Umgebungserfassung zu steigern. Er stellt vielmehr das Bindeglied zwischen der Umgebungserfassung und der Situationsbewertung dar. Die in der Situationsbewertung abgebildeten Verhaltensmuster und Manöver werden parallel verfolgt, bewertet und deren Wahrscheinlichkeit berechnet. Dies erlaubt die frühzeitige Erkennung von Manövern und unterstützt somit das schnelle Einleiten adäquater Aktionen und Reaktionen.