Hybride Statistische Lernmethoden für die Embedded-Umsetzung von Sicherheitsfunktionen im Fahrzeug (HySLEUS)

Statistische Lernmethoden bzw. maschinelle Lernverfahren bieten die Möglichkeit, eine Lösung für komplexe Probleme mit geringen Rechenressourcen zu finden. Sie werden allerdings als „Black-Box“ angesehen, da sie rein datenbasierte Methoden sind. Dies ist der Grund dafür, dass statistische Lernverfahren bisher nicht zu den etablierten Methoden für sicherheitskritische Anwendungen gehören. Hybride statistische Verfahren, bei denen datenbasierte Methoden mit physikalischen Modellen kombiniert werden, eröffnen ganz neue Wege, um die Nachteile rein datenbasierter Lernmethoden zu umgehen und ihre Vorteile auch in der Fahrzeugsicherheit zu nutzen.

Abb. 1: Kombination von maschinellen Lernverfahren mit physikalischen Modellen

Das wissenschaftliche Hauptziel des Projekts ist die Erforschung von hybriden statistischen Lernverfahren in der Fahrzeugsicherheit und deren praktische Umsetzung. Ein wesentlicher Grundgedanke der geplanten Kombination beruht darauf, dass die Suche nach einer Approximation der Lösung durch statistische Lernverfahren durchgeführt und die endgültige Lösung durch physikalische Modelle gefunden wird. Dabei werden die zwei Ziele „Sicherheit“ und „geringe Rechenressourcen“ als Bewertungskriterien für die gefundenen Methoden herangezogen werden.

Als primäre Anwendung im Feld der aktiven Fahrzeugsicherheit, wird die herausfordernde Aufgabe der  sicheren Trajektorienplanung in kritischen Verkehrssituationen betrachtet. Zwei Varianten von analytischen sampling-basierten Algorithmen, „Augmented CL-RRT“ und „Augmented CL-RRT+“, werden für eine sichere Trajektorienplanung in kritischen Verkehrsszenarien mit mehreren statischen und dynamischen Objekten entwickelt und validiert. Die vorhergesagte Schwere der Kollision kann auch für die Trajektorienauswahl berücksichtigt werden, falls keine kollisionsfreie Trajektorie gefunden wird. Die Kombination dieser Algorithmen mit maschinellen Lernmethoden (3D Convolutional Neural Network) führt zu einer deutlich besseren Konvergenz der sampling-basierten Verfahren.
Die Algorithmen werden auch durch Realversuche auf der CARISSMA Teststrecke validiert.

Abb. 2: Trajektorienplanung mittels hybrider statistischer Lernverfahren.

Poster zum Projekt

Fördermittelgeber

ASTech