2023

15. Uni-DAS e.V. Workshop Fahrerassistenz und automatisiertes Fahren: 24. – 26.10.2023

Fahrerassistenzsysteme haben sich inzwischen im Automobil und im LKW etabliert. Neben weiterer Optimierung dieser Systeme rückt die Übernahme des Fahrens durch Maschinen immer stärker in den Vordergrund. Noch sind wir von der vollständigen Automatisierung des Fahrens weit entfernt, doch zeichnen sich mehrere Wege ab, wie diese Entwicklung – auch werteorientiert - in Zukunft erfolgen kann. Diese Entwicklung stellt auch unsere heutigen Mobilitäts- und Transportkonzepte in Frage und bietet neue Optionen und Herausforderungen zu Fragen der Systemsicherheit und -transparenz, mögliche Überautomatisierung und innovative Geschäftsmodelle. Besonders schwierig scheint die Frage, wie hoch- und vollautomatisiertes Fahren abzusichern ist, wie sich diese Systeme freigeben lassen und wie erfolgreiche Geschäftsmodelle im Personen- und Güterverkehr aussehen. Wie in den vergangenen Jahren bietet der Workshop ein Diskussionsforum für Expertinnen und Experten im deutschsprachigen Raum, auf dem technische, gesellschaftliche und ethische Fragestellungen der Fahrerassistenz und des automatisierten Fahrens interdisziplinär diskutiert werden.

Themenbereiche des Workshops:

  • Sensorik (Video, Radar, Lidar, u. a.)
  • Umfeld- und Situationserfassung
  • Kooperatives automatisiertes Fahren
  • Neue Fahrerassistenzsysteme
  • Maschinelle Lernverfahren Absicherung von Künstlicher Intelligenz
  • Teleoperation und technische Aufsicht
  • Absicherung und Freigabe automatisiertes Fahren
  • Wertebasierte Entwurfs- und Testverfahren
  • Systemsicherheit und Risikomanagement
  • Rechtliche Rahmenbedingungen
  • Mensch-Maschine-Interaktion
  • Akzeptanz automatisierter Funktionen
  • Wirkung auf Fahrzeug- und Verkehrssysteme
  • Geschäftsmodelle

Impressionen

Gruppenfoto

Programm Stand: 23.08.2023

Dienstag 24. Oktober 2023
14:00 Begrüßung
C. Stiller, M. Jipp
  Daten und Wahrnehmung
14:15 From vehicle setup to dataset generation: A holistic approach to longterm automated valet parking development
Arab, A. B. (Expleo) et al.
14:45 Map Learning: Ein Skalierbarer Ansatz zur Automatisierten Erstellung von Trainingsdaten unter Verwendung von HD Karten und Mehrfachbefahrungen
Bieder, F. (FZI) et al.
15:15 Random-Finite-Set-basiertes Multisensor-Multiobjekttracking für automatisierte und vernetzte Fahrzeuge
Herrmann, M. (U Ulm) et al.
15:45 Kaffeepause
  Methoden der künstlichen Intelligenz
16:15 Physics-informed Reinforcement Learning for Automated Merging in Dense Tra
Fischer, J. (KIT) et al.
16:45 Reducing Ghost Detections Through Uncertainty Modelling for Automated Driving
Hammam, A. (Stellantis) et al.
17:15 Transfer Learning Techniques Using Simulation Data For Machine Learning Automotive Radar Systems
Rutz, F. (TUM) et al.
18:00 Abendessen
Mittwoch 25. Oktober 2023
  Verhalten und Interaktion
09:00 Spieltheoretischer pradiktiver Regler für Interaktion im gemischten Verkehr
Bouzidi, M.-K. (Continental AG) et al.
09:30 Automatisiertes Kreuzungsmanagement im urbanen Mischverkehr mit Reinforcement Learning
Klimke, M. (Robert Bosch GmbH) et al.
10:00 Kaffeepause
10:30 Semantische Normverhaltensanalyse zur durchgängigen, formalen Verhaltens-spezifikation automatisierter Straßenfahrzeuge
Salem, N. F. (TU Braunschweig) et al.
11:00 Bedingte Verhaltensprädiktion interagierender Agenten
Wirth, F. (KIT) et al.
11:30 Mittagspause
13:30 Einführung in den Workshop
Nutzungsszenarien und Geschäftsmodelle für das automatisierte und vernetzte Fahren
Parallel Kaffeepause
16:30 Ergebnispräsentationen
17:30 Preisverleihungen
Verleihung ADAS Award und Uni-DAS Wissenschaftspreis
18:00 Festvortrag: Eine Fabrik für die Software autonomer Fahrzeuge
Herrtwich, R. (Nvidia)
19:00 Abendessen
Donnerstag 26. Oktober 2023
09:00 Impulsvortrag
The Torc Story Towards Autonomous Trucks
Gern, A. (Engineering TORC Europe GmbH)
10:00 Kaffeepause
  Risiko und Sicherheit
10:30 Systematic Derivation of Use Case Clusters for a Generalized Low-Speed Automated Driving Function
Berghöfer, M. (TU Darmstadt) et al.
11:00 Derivation of quantitative risk acceptance criteria for automated driving systems
Stellet, J. (Robert Bosch GmbH) et al.
11:30 SURE-Val: Safe Urban Relevance Extension and Validation
Storms, K. (TU Darmstadt) et al.
12:00 Operator Monitoring zur Absicherung von Teleoperation und automatisiertem Fahren
Herzberger, N.(RWTH Aachen) et al.
12:30 Preisverleihung
Best-Paper Award
13:00 Mittagessen

Veröffentlichungen beim Workshop

Tagungsband - Download als PDF

Folgende Beiträge wurden bei diesem Workshop veröffentlicht:

From Vehicle Setup to Dataset Generation: A Holistic Approach to Long-Range Automated Valet Parking Development

Amine Ben Arab, Jing Gu, Hassan Mohammadi, Mia Book, Thomas Brandmeier, Alireza Ferdowsizadeh Naeeni

Abstract: Sensor fusion is one of the trend topics in the automotive field, which aims to achieve robustness by relying on the information from different sensors. But to achieve further progress in this field, the availability or generation of multimodal data under different contexts is a vary important topic. In this paper we focus in the description of the necessary methodologies to generate such data considering Long-Range Automated Valet Driving scenarios, involving a combination of urban and indoor driving scenarios, we devised two distinct methods. For the initial approach, we utilized the installations present in the ISAFE Indoor Testing Facility at CARISSMA (Technische Hochschule Ingolstadt) to gather data for situations in severe environments and supply the necessary references. The second approach involves producing data from real-life situations using the prototyping vehicle of Expleo Germany GmbH. To accomplish this, we equipped the vehicle with various sensors and examined techniques from the latest technological developments to decrease the burden of dataset generation while meeting sensor fusion’s demands. In this work, we present both approaches and our results for the methods employed to establish our data generation pipeline.

Download als PDF

Ein Ansatz zur automatisierten Erstellung von Trainingsdaten unter Verwendung von HD-Karten und Mehrfachbefahrungen

Frank Bieder, Haohao Hu, Johannes Schantz, Oguzahn Kirik, Florian Ries, Martin Haueis und Christoph Stiller

Zusammenfassung: In diesem Beitrag wird ein Gesamtsystem zur skalierbaren Erstellung von Trainingsdaten für das maschinelle Lernen im Kontext des automatisierten Fahrens vorgestellt. Unter Verwendung einer hochgenauen Lokalisierung in verifizierten HD-Karten und mithilfe von Sensor- Projektionsmodellen können semantische Kartenmerkmale in die verschiedenen Sensordomänen rückprojiziert werden. Hierdurch entsteht eine Korrespondenz von statischen Kartenmerkmalen und den entsprechenden Messaufnahmen, welche für das Training von neuronalen Netzen verwendet werden können. Durch Mehrfachbefahrungen und eine Multi-Drive-Kartierung kann die Anzahl der Trainingsdaten nach Belieben skaliert werden. Durch die Methode lassen sich statische Kartenmerkmale wie Fahrbahnlinien und Straßenmarkierungen automatisiert annotieren. Es werden Verfahren vorgestellt, um sowohl mit statischen Verdeckungen, wie Pfosten, als auch mit dynamischen Verdeckungen, wie Fahrzeuge oder Fußgänger, umzugehen.

Für die Umsetzung der Methode wurde mit dem Versuchsfahrzeug BerthaOne ein Datensatz in den Städten Karlsruhe und Sindelfingen aufgenommen. Dieser besteht aus mindestens 20 Kilometern Strecke und umfasst 4 Befahrungen pro Strecke. Anhand dieses Datensatzes wird das System und die Qualität der erzeugten Trainingsdaten qualitativ evaluiert.

Download als PDF

Random-Finite-Set-basiertes Multisensor-Multiobjekttracking für automatisierte und vernetzte Fahrzeuge: Aktueller Forschungsstand und offene Fragen

Martin Herrmann, Charlotte Hermann, Klaus Dietmayer und Michael Buchholz

Zusammenfassung: Die zeitliche und räumliche Verfolgung anderer Verkehrsteilnehmer ist ein essentieller Bestandteil automatisierter und vernetzter Fahrzeuge sowie vernetzter Infrastruktursensorsysteme und wird häufig mit Random-Finite-Set-basierten Methoden gelöst. Dabei stellt die Assoziation der beobachteten Objekte mit den Messungen insbesondere im Multisensorfall eine große algorithmische Herausforderung dar. Dieser Artikel fasst die wissenschaftlich beschriebenen Lösungsmethoden hierfür zusammen und ordnet insbesondere die in letzter Zeit an unserem Institut entwickelten parallelisierbaren Methoden auf Basis der Bayes-Parallel-Combination-Rule in den wissenschaftlichen Kontext ein. Letztere betrachten wir tiefergehend und diskutieren offene Fragestellungen und potenzielle Lösungsansätze.

Download als PDF

Physics-informed Reinforcement Learning for Automated Merging in Dense Traffic

Johannes Fischer, Alexei Trofimov and Christoph Stiller

Abstract: Decision-making in interactive traffic situations is a challenging task for automated vehicles. Reinforcement learning (RL) is a promising approach to learn a driving policy from interactions with a simulator or from real driving data. However, reinforcement learning often requires many interactions with the environment and can have difficulties with generalization to unseen situations. To resolve these problems, we propose to use physics-informed deep learning to regularize the RL algorithm with a driver model. In our evaluation we show that this approach leads to improved sample efficiency and better generalization to more challenging scenarios.

Download als PDF

Reducing Ghost Detections Through Uncertainty Modeling for Automated Driving

Ahmed Hammam, Frank Bonarens, Seyed Eghbal Ghobadi and Christoph Stiller

Abstract: Deep neural networks (DNN) have demonstrated remarkable performance in various tasks related to automated driving. However, one significant obstacle hindering their application in automated driving systems is the occurrence of false positive detections. In our context, false positive detections are referred to as ghost detections, wherein the DNN mistakenly identifies parts of the scene as objects. In this work, we explore the prospect of leveraging uncertainty modeling to effectively minimize ghost detections. We propose a method that builds on an instance segmentation framework that better separates true positive from false positive distributions than state-of-the-art methods. This method integrates the Intermediate Layer Variational Inference (ILVI) approach and Dirichlet Distributions into an instance segmentation network. Our experimental results demonstrate that our proposed method not only enhances instance and semantic segmentation performance but also improves uncertainty estimation. Leveraging significantly improved uncertainty estimation, we investigate the potential of thresholding on uncertainty to reduce the occurrence of ghost detections, thereby enhancing both precision and recall performance.

Download als PDF

Transfer Learning Techniques Using Simulation Data For Machine Learning Automotive Radar Systems

Felix Rutz, Ralph Rasshofer and Erwin Biebl

Abstract: For a reliable detection and classification of vulnerable road users in modern automotive radar systems, the latest research introduces machine-learning (ML) based algorithms. However, suitable training datasets for ML systems based on real-world radar measurements are rarely available or lack specific raw radar data. Different approaches based on transfer-learning methods from data generated by a simulation framework for the range-Doppler-representation of radar measurement data are researched. In particular, influences of dataset size and sample quality, as well as different transfer learning approaches concerning the performance of the ML system in the radar data domain, are examined.

Download als PDF

Spieltheoretischer prädiktiver Regler für Interaktion im gemischten Verkehr

Mohamed-Khalil Bouzidi und Ehsan Hashemi

Zusammenfassung: Dieser Artikel präsentiert eine integrierte Trajektorienplanung und Regelung für Verkehrsszenarien in denen Interaktion mit Fahrzeugen, die von Menschen gefahren werden, erforderlich ist. Für eine sichere Bewegungsplanung berücksichtigt die vorgeschlagene Methode die Interaktion zwischen dem automatisierten Fahrzeug und anderen Fahrzeugen anhand der Spieltheorie. Das Framework umfasst ein neuartiges inverses Differentialspiel basierend auf einer LSTM Architektur, um die Zielfunktion des menschlichen Fahrers online zu schätzen. Diese Schätzung wird dann von einem spieltheoretischen prädiktiven Regler genutzt, um die Trajektorie des menschlich gesteuerten Fahrzeugs zu prädizieren und das autonome Fahrzeug zu steuern. Das entwickelte System wird in einer Human-in-the-Loop Probandenstudie unter Verwendung der CarSim High-Fidelity-Simulation evaluiert.

Download als PDF

Automatisiertes Kreuzungsmanagement im Urbanen Mischverkehr mit Reinforcement Learning

Marvin Klimke, Benjamin Völz, Michael Buchholz

Zusammenfassung: Das vernetzte automatisierte Fahren hat das Potential, die Verkehrseffizienz im innerstädtischen Raum signifikant zu steigern. So können Verdeckungseffekte, wie sie beispielsweise durch Gebäude oder andere Verkehrsteilnehmer entstehen, aufgelöst werden. Darüber hinaus wird eine kooperative Manöverplanung ermöglicht, bei der die Bewegung mehrerer vernetzter automatisierter Fahrzeuge gemeinsam optimiert wird. Viele existierende Ansätze für das automatisierte Kreuzungsmanagement betrachten lediglich den vollständig automatisierten Verkehr. In der Praxis wird Mischverkehr, also die Interaktion von menschlichen Fahrern und automatisierten Fahrzeugen, vorherrschend sein. Im vorliegenden Beitrag wird ein Verfahren basierend auf Reinforcement Learning und Graph Neural Networks für das automatisierte Kreuzungsmanagement im Mischverkehr vorgestellt. In simulativen Experimenten zeigt der Ansatz gegenüber einer regelbasierten Baseline einen deutlichen Gewinn an Effizienz. Zudem werden Experimente mit einem realen Versuchsträger auf einer Erprobungsbahn vorgestellt.

Download als PDF

Semantische Normverhaltensanalyse zur durchgängigen, formalen Verhaltensspezifikation automatisierter Straßenfahrzeuge

Nayel Fabian Salem, Veronica Haber, Marcus Nolte, Robert Graubohm, Matthias Rauschenbach, Jan Reich, Torben Stolte† und Markus Maurer

Zusammenfassung: Die Absicherung automatisierter Straßenfahrzeuge (SAE Level 3+) setzt die Spezifikation und Überprüfung des Verhaltens eines Fahrzeugs in seiner Betriebsumgebung voraus. Mithilfe von Szenarien kann der offene Verkehrskontext, in dem ein solches System agiert, strukturiert beschrieben werden. Um Annahmen, welche bei der Verhaltensspezifikation innerhalb von Szenarien getroffen werden, begründen und belegen zu können, ist eine durchgängige Dokumentation von Entwurfsentscheidungen erforderlich. In dieser Arbeit wird die semantische Normverhaltensanalyse vorgestellt, mithilfe derer Ansprüche an das Verhalten eines automatisierten Fahrzeugs in seiner Betriebsumgebung durchgängig auf ein formales Regelsystem aus semantischen Konzepten für ausgewählte Szenarien abgebildet werden können. Der Beitrag der vorgestellten Methode besteht in der Rückverfolgbarkeit dieser formalisierten Konzepte zu den damit verbundenen Ansprüchen an das Verhalten. Die Durchführung einer semantischen Normverhaltensanalyse wird beispielhaft an zwei Szenarien demonstriert.

Download als PDF

Bedingte Verhaltensprädiktion interagierender Agenten

Florian Wirth, Carlos Fernandez-Lopez und Christoph Stiller

Zusammenfassung: In der Literatur und in zahlreichen etablierten Benchmarks ist es üblich die zukünftige Position eines anderen Verkehrsteilnehmers (VT) anhand einer Vorhersageverteilung pro Agenten zu prädizieren und anhand der Grundwahrheit (GT) dieses Agenten zu evaluieren. Hierfür wird implizit entweder statistische Unabhängigkeit der zukünftigen Positionen der Agenten angenommen oder es wird davon ausgegangen, dass Randverteilungen für die Weiterverarbeitung von Prädiktionen genügen.

In diesem Beitrag wird vorgeschlagen paarweise multivariate Verteilungen als zusätzliche Ausgabe in Vorhersagemodelle für interagierende Agenten zu integrieren. Diese liefern mehr Information falls die Annahme statistischer Unabhängigkeit unzutreffend ist, und andernfalls gleich viel. Aus der paarweise multivariaten Verteilung können dann bedingte Verteilungen gegeben hypothetischer Positionen eines der beiden Agenten – bspw. des automatisierten Ego-Fahrzeugs – abgeleitet werden, wodurch die prädizierte Szene bzgl. verschiedener hypothetischer Aktionen und Aktionskombinationen analysiert werden kann. Der Vorschlag ist für viele Prädiktionsansätze einfach umsetzbar, wenn für jedes Agentenpaar in der Szene eine multivariate Verteilung generiert wird.

Download als PDF

Systematic Derivation of Use Case Clusters for a Generalized Low-Speed Automated Driving Function

Moritz Berghöfer, Melina Lutwitzi and Steven Peters

Abstract: One approach for the introduction of SAE Level 3+ Automated Driving are lowspeed driving functions due to a reduced risk associated with them. In this paper, a systematic methodology to derive use cases and use case clusters for low-speed applications of Automated Driving (AD), which can be potentially fulfilled by a generalized low-speed function architecture, is described and applied. The use case clusters are defined according to a classification of the derived use cases in the dimensions of safety and technical capabilities. Thereby, the results of this paper simplify the definition of the ODD as well as the functional requirements and architecture for the future development of low-speed AD functions.

Download als PDF

Derivation of quantitative risk acceptance criteria for automated driving systems

Jan Erik Stellet, Bernd Müller, Susanne Ebel

Abstract: Defining risk acceptance criteria for automated driving systems is an essential step for a successful release and avoidance of field incidents. Despite several regulatory provisions and normative frameworks, there is not yet a common understanding and approach, particularly concerning quantitative criteria. This work firstly gives a structured analysis of requirements and approaches. The second contribution is the proposal of a new approach targeting effectively no fleet incidents (ENFLI).

Download als PDF

SURE-Val: Safe Urban Relevance Extension and Validation

Kai Storms,Ken Mori and Steven Peters

Abstract: To evaluate perception components of an automated driving system, it is necessary to define the relevant objects. While the urban domain is popular among perception datasets, relevance is insufficiently specified for this domain. Therefore, this work adopts an existing method to define relevance in the highway domain and expands it to the urban domain. While different conceptualizations and definitions of relevance are present in literature, there is a lack of methods to validate these definitions. Therefore, this work presents a novel relevance validation method leveraging a motion prediction component. The validation leverages the idea that removing irrelevant objects should not influence a prediction component which reflects human driving behavior. The influence on the prediction is quantified by considering the statistical distribution of prediction performance across a large-scale dataset. The validation procedure is verified using criteria specifically designed to exclude relevant objects. The validation method is successfully applied to the relevance criteria from this work, thus supporting their validity.

Download als PDF

Operator Monitoring zur Absicherung von Teleoperation und automatisiertem Fahren: Ergebnisse aus dem DFG-Schwerpunktprogramm CoInCar sowie einer Disseration

Nicolas Herzberger, Marcel Usai und Frank Flemisch

Zusammenfassung: Trotz bedeutender technischer Fortschritte im Kontext des automatisierten Fahrens sind aktuelle Systeme noch weit davon entfernt, jede auftretende Situation selbstständig lösen zu können. Neben dem Lösungsweg des minimalrisikoreichen Manövers (MRM) stehen insbesondere Transitionen der Fahraufgabe an die Fahrperson (Takeover Request, TOR) oder an einen Teleoperator im Fokus aktueller Forschungsvorhaben. In beiden Fällen ist es jedoch notwendig einzuschätzen, ob der jeweilige Operator, im Fahrzeug oder einer entfernten Leitwarte, die Fahraufgabe sicher übernehmen kann. Der Beitrag konzentriert sich nach einer kurzen Einführung auf aktuelle Studienergebnisse aus dem grade abgeschlossenen DFGSchwerpunktprogramm 1835 CoInCar und aus einer Dissertation zum Operator Monitoring, sowie auf deren Bedeutung für die Absicherung von Transitionen im Kontext des automatisierten Fahrens sowie der Teleoperation.

Download als PDF

FAS-Newsletter

Melden Sie sich für unseren FAS-Newsletter an und erhalten Sie alle Informationen über diesen und kommende Workshops.

Wissenschaftliche Leitung

Prof. Dr. Meike Jipp
Deutsches Zentrum für Luft- und Raumfahrt (DLR)
Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein.

Organisatorische Leitung für Uni-DAS e.V.

Prof. Dr. Lutz Eckstein
Institut für Kraftfahrzeuge (ika)
RWTH Aachen University
Steinbachstraße 7
D–52074 Aachen
Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein.

Adresse

Uni-DAS e. V.

Otto-Berndt-Straße 2
64287 Darmstadt

Telefon: +49 241 80 26533