2022

Abstract: Predicting other drivers’ trajectories is challenging. We address the issue by introducing a method to derive a driving policy based on multi-agent reinforcement learning. For this, we let multiple vehicles interact in a roundabout scenario and reward desirable behavior. While typically, all vehicles follow the same policy, we foster diversity by assigning different preferences, e.g., cautious or sporty driving, to each vehicle during the training stage. These preferences are part of the policy network inputs as well as the reward function. This enables us to learn one single policy that can express different driving styles.

Zusammenfassung: Die Vielzahl an Situationen, welche im urbanen Straßenverkehr vorkommen, stellt aktuelle Bewegungsplanungsverfahren in automatisierten Fahrzeugen immer noch vor große Herausforderungen. Während die Modellierung zusätzlicher Szenarien für klassische Verfahren oft sehr mühsam ist, erleichtert die kontextbasierte Bewegungsplanung diese Erweiterung. Um dies zu demonstrieren, wird in diesem Beitrag ein bestehendes kontextbasiertes Verfahren um das Überqueren einer Kreuzung mit vernetzter Lichtsignalanlage erweitert. Diese stellt auch prädiktive Informationen zur Verfügung, welche durch die Bewegungsplanung im Fahrzeug gewinnbringend verwendet werden. Das vorgestellte Verfahren wird simulativ und im realen Verkehr evaluiert. Gegenüber einer rein reaktiven Planung zeigen sich dabei deutliche Vorteile.

Abstract: We propose the use of traffic participant trajectories with constant time horizon as Markov states for tracking and trajectory prediction. We show how constant time length trajectories can be tracked with minimal computational overhead over kinematic state tracking. The same representation can be used to model future trajectories. In conjunction with multiobject multi-hypotheses tracking architectures it allows for an efficient representation of multimodal distributions over the future of traffic scenes with heterogeneous participants.

Abstract: For automated driving, higher levels of automation pose new challenges in terms of safety. In this paper, we develop a generic behavior safety framework that maintains a safe vehicle state even in case of system failures. It is applicable to different configurations of automated driving system architectures. We verify the designed generic behavior safety framework by applying it to two different architectures from both projects PRORETA 5 and UNICARagil. The previously defined safety requirements are met with both applications, which indicates that the developed generic safety framework is also valid for other configurations of automated driving systems.

Zusammenfassung: In diesem Beitrag wird ein Gesamtsystem zur Aktualitäatsverifikation hochauflösender, semantischer, aber dennoch kompakter Karten vorgestellt. Es basiert auf einer geeigneten semantisch-parametrischen Kartendarstellung, die automatisiert erstellt und aktualisiert werden kann. Durch die Kombination semantischer Detektionen und Lidar-Tiefenmessungen kann nicht nur eine hochgenaue 6D-Lokalisierung realisiert werden, die robust gegenüber Änderungen ist. Es wird hiermit auch eine evidenzbasierte, ternäre Aktualitätsverifikation ermöglicht, die aus den Messdaten eines einzelnen Fahrzeugs Änderungen detektieren oder Karteninhalte freigeben kann. Schließlich wird erläutert, wie man Verifikationsergebnisse von physischen Elementen, wie Verkehrsschildern, auf abstrakte Karteninhalte, wie Tempolimits, übertragen kann.

Zusammenfassung: Dieser Beitrag diskutiert zunächst die wichtigsten Faktoren, die verantwortungsvolles Fahren begründen, und darauf aufbauend einige technische Vorkehrungen, die hilfreich sind, um den Nachweis verantwortungsvollen Verhaltens beim autonomen Fahren zu unterstützen. Es verknüpft die Argumente mit dem Konzept der Taktischen Sicherheit: In Verkehrssituationen frühzeitig und proaktiv handeln, um nicht-beherrschbare Situationen mit möglicherweise hoher Unfallschwere zu vermeiden. Eine wichtige Konsequenz ist eine durchgängige Sicherheitsmetrik, die es ermöglicht, Gefahr als ‘Entfernung’ von einem Schadens-Ereignis zu messen. Verlässliche Kommunikation unter Verkehrsteilnehmern ermöglicht frühzeitiges Erkennen von Bedingungen für mögliche Gefahren. Abschließend wird die Kombination dieser Aspekte zur Bewertung der Fahr-Verantwortung von autonomen Fahrzeugen diskutiert.

Zusammenfassung: Die in der Automobilindustrie übliche Sicherheitsvalidierung auf der Systemebene verstärkt für immer komplexere Systeme, wie automatisierte Fahrzeuge, den Nachteil, dass Änderungen an einzelnen Komponenten eine erneute Freigabe des gesamten Systems erfordern. Mit dem Konzept einer modularen Absicherung erfolgt die Sicherheitsvalidierung bereits auf Modulebene. In diesem Beitrag werden mit einem neu entwickelten Ansatz Dekompositionsprozesse vom System zu Modulen hinsichtlich möglicher Ungewissheiten und Ungenauigkeiten untersucht. Aus den Erkenntnissen werden Regeln definiert, deren Einhaltung dem Entstehen von Ungewissheiten bei einer modularen Absicherung entgegenwirkt.

Zusammenfassung: Je umfassender Künstliche Intelligenz (KI) in sicherheitskritische Abläufe und Entscheidungsprozesse eingebunden wird, desto häufiger wird sich die Frage stellen, ob und inwieweit die (funktionale) Sicherheit dieser KI-basierten Systeme gewährleistet werden kann – eine Frage, die insbesondere für das Inverkehrbringen dieser Systeme in den Europäischen Binnenmarkt relevant wird. Nur KI-basierte Systeme (Anwendungen und/oder Funktionen), denen eine funktionale Sicherheit im Rahmen der Konformitätsbewertung attestiert werden kann, sind zertifizierungs und zulassungsfähig. Trotz aller Bemühungen auf EU-Ebene bleibt der Nachweis der funktionalen Sicherheit der KI-basierten Systeme derzeit nur eingeschränkt möglich, da die zugrundeliegenden Produktvorschriften die KI-basierten Systeme entweder gar nicht kennen oder dort die Anforderungen an deren funktionale Sicherheit nicht oder nur unvollständig geregelt sind. Dass dies auch für den Automobil-Sektor gilt, ist hinlänglich bekannt und bedarf daher Überlegungen, wie dieses Defizit überwunden werden kann. Hier wird nach der Darstellung der regulativen Zusammenhänge die These vertreten, dass die Leitlinien aus dem Flugverkehrssektor zur Zulassung von KI-Systemen auch für den Automobil-Sektor nutzbar gemacht werden könnten, um dem erklärten Ziel einer zeitnahen Regelzulassung sicherheitskritischer KI-Anwendungen auch im Automobil-Sektor näher zu kommen.

Zusammenfassung: Für viele Anwendungen im Bereich des automatisierten Fahrens fehlt es bisher an einer geeigneten, echtzeitfähigen Architektur, die Kartenmerkmale darstellen und damit eine Lokalisierung in Karten, kartenloses Fahren und auch Ende-zu-Ende-Ansätze unterstützen kann. Wir präsentieren daher YOLinO, eine neuronale Netzarchitektur, die mit mehr als 150 Bildern pro Sekunde Kartenmerkmale detektieren kann. Dies können neben Fahrstreifenrändern jegliche geometrischen Elemente einer Karte sein, die sich aus Liniensegmenten darstellen lassen, bspw. Markierungen und Bordsteine. Wir zeigen zudem, dass auch implizite Merkmale wie Mittellinien von Fahrstreifen schätzbar sind.

Abstract: In order to make autonomous driving a reality, artificial neural networks have to work reliably in the open-world. However, the open-world is vast and continuously changing, so it is not technically feasible to collect and annotate training datasets which accurately represent this domain. Therefore, there are always domain gaps between training datasets and the open-world which must be understood. In this work, we investigate the domain gaps between high-resolution and low-resolution LiDAR sensors in object detection networks. Using a unique dataset, which enables us to study sensor resolution domain gaps independent of other effects, we show two distinct domain gaps - an inference domain gap and a training domain gap. The inference domain gap is characterised by a strong dependence on the number of LiDAR points per object, while the training gap shows no such dependence. These findings show that different approaches are required to close these inference and training domain gaps.

Abstract: Detailed knowledge about the environment is a prerequisite for autonomous driving. One main question in this context is: Which objects are around me? The answer to this question contains two main parts: getting semantic and advanced geometric information. Thus, we need classified, individual instances with a unique ID, together with further information of the surrounding, such as a classification of the ground. This combination is generally known as panoptic segmentation. In this paper, we present a novel general approach for this task. Instead of focusing on an end-to-end network or a combination of object detection and semantic segmentation, our method combines semantic segmentation with a non-learning-based clustering. Both information sources are combined using a Neighborhood-Related Activation Function (NeRAF). This allows a general panoptic segmentation of everything in the surrounding - no matter of its class. We show that the proposed method can run with up to 45 fps on a mobile computer.

Abstract: Automated driving, connected vehicles, e-mobility, shared mobility–all mobility disruptors rely on software but lack a unified software platform is preventing crossdomain software development. In the meantime, the vehicle compute and network architectures are moving to centralized high-performance computers, but the software implementation lags behind the hardware architecture. We have introduced Apex.OS, the first mobility software platform that can truly integrate across all in-vehicle domains. A primary vehicle operating system, robust and flexible enough to cover major systems throughout the vehicle and the cloud, enables user-focused development, just like iOS and Android SDK (software development kit) software development kit do so for embedded devices. This paper describes our development of an automotive SDK capable of covering all automotive software domains and already certified to ISO 26262 ASIL D. It addresses software development of driver assistance systems, automated driving, other safety-critical automotive systems, as well as applications for smart machines and IoT.

Abstract: Within the “type approval” system”, mandatory in Europe, a progressive approach is evolving allowing for virtual testing as part of a generic assessment method including the demonstration of the automated vehicles’ capability to cope with the most critical scenarios. Besides questions on completeness, parameter space explosion emerges as a main problem. Advanced methods such as data-driven probabilistic frameworks based on PCE and statistical learning techniques are proposed. Finally, issues of complexity of fully automated and connected vehicles are addressed, calling for a “systems approach” and methods which capture the entire system and go beyond traditional methods of reliability theory.

Zusammenfassung: Ein entscheidender Schritt für den Sicherheitsvalidierungsprozess von hochautomatisierten Fahrzeugen (HAF) ist die Definition der Operational Design Domain (ODD). Die Verhaltenssemantische Szeneriebeschreibung ermöglicht eine explizite Beschreibung der verhaltensrelevanten Information einer statischen Verkehrsumgebung. Diese Information ist als Teil der ODD wertvoll für die Spezifikation des Systems. Wir zeigen wie die Verhaltensattribute basierend auf der vorliegenden Szenerie anhand von Regeln bestimmt werden. In einem Anwendungsbeispiel werden diese Regeln zur automatisierten Ableitung der Attribute implementiert. Dies ermöglicht die universelle Erfassung der Verhaltensregeln von Szenerien als Basis zur Charakterisierung der ODD und als Grundlage für die Bewertung der Verkehrsregelkonformität von HAF.

Zusammenfassung: Trotz großen technologischen Fortschritts im Bereich des hochautomatisierten Fahrens gibt es Forschungsbedarf insbesondere zu einer intuitiven Interaktion. Das von Reiter und Pferd inspirierte Projekt Vorreiter widmet sich diesem Problem, indem es intuitive Lenkgesten an einem berührungsempfindlichen Lenkrad ermöglicht, die von der Automatisierung ausgeführte Manöver einleiten. Die Gesten folgen einem universellen Designansatz (Design for All / Universal Design), der alle Fahrerinnen und Fahrer, auch Fahranfänger und Fahrerinnen und Fahrer mit Behinderungen unterstützt. Der Beitrag konzentriert sich auf die Gesamtevaluation des Konzepts in einem Fahrsimulator und präsentiert neue Daten, insbesondere zum Vergleich von Dreh-/Drück- und Streichgesten.

Abstract: Lane changes represent central driving maneuvers on highways and are frequently linked to acceleration maneuvers. For automated driving, previous studies have addressed the issue of appropriate longitudinal accelerations for vehicle occupants. However, these investigations only considered pure longitudinal acceleration maneuvers and have neglected potential influence of lane changes on driving experience. For this reason, this paper presents an evaluation of longitudinal accelerations during non-automated and automated lane changes and compares the results with previous studies. Based on this, the usefulness of further human-centered research on longitudinal accelerations during automated lane changes is discussed and recommendations for a future study are proposed.

Abstract: SAE Level 2 systems, which allow the driver to drive hands-off while monitoring visual attention, raise the question whether the driver is still able to fulfill his allocated responsibility (object and event detection and response). We developed a setup to evaluate the driver’s ability to detect and respond to silent lateral system failures. The results indicate that an attentive driver can perceive and handle lateral system failures, but a cognitive misattribution of the systems capabilities might occur even for attentive drivers. This differentiation of causal factors allows developers to focus on adequate countermeasures to increase safety of SAE Level 2 systems.

Abstract: The most crucial aspects influencing the behavior of Automated Vehicles (AVs) are static environment, dynamic objects and weather. Traffic recordings that include these aspects allow the derivation of comprehensive test scenarios of AVs. However, existing recording descriptions are either not designed for test scenario derivation or use separate formats for the mentioned aspects. Therefore, in this paper, we present an hdf5-based recording format that unifies the data basis for scenario derivation by covering all layers of the 6-Layer Model (6LM). By open-sourcing the format specification along with a library† and converters and enrichers, we hope to facilitate research on scenario generation considering all relevant aspects of traffic.

Abstract: Even though scenario-based X-in-the-Loop testing has been evaluated in multiple research projects, there are still few application examples in series development projects. Based on current challenges in ADAS/AD testing, five requirements for scenario-based XiL testing are derived. Subsequently, we define and discuss the following three use cases along a reference ADAS/AD development process, each supplemented by respective example applications: Automated concept evaluation during Software (SW) Requirements Analysis, support of SW Unit Verification and automated validation in SW Qualification Test. All three use cases can contribute significantly to requirement fulfillment. This especially applies to use case 3.

Abstract: For development and safety validation of highly automated vehicles, there is currently no systematic approach for the derivation of requirements. However, deriving requirements directly from the specified operational design domain (ODD) seems promising. Therefore, this paper presents an approach for deriving behavioral requirements based on the scenery as the main component of the ODD. With the help of Behavior-Semantic Scenery Description (BSSD), lane-specific routes within the scenery are derived and the corresponding resulting behavioral demands are identified. These behavioral demands are then used for the specification of behavioral requirements. Finally, the entire approach is applied as an example for a selected real-world scenery section.