Diss A PDF

Ein neuer Systemansatz fr die
Fahrerwarnung bei Nacht

Marc Arnon
Ein neuer Systemansatz fr die
Fahrerwarnung bei Nacht
Zur Erlangung des akademischen Grades eines
Doktor-Ingenieurs
von der Fakultt fr
Elektrotechnik und Informationstechnik
der Universitt Karlsruhe (TH)
genehmigte
Dissertation
von
Dipl.-Ing. Marc Arnon
geb. in: Mnchengladbach
Tag der mndlichen Prfung: 04.02.2010
Hauptreferent: Prof. Dr.-Ing. habil. Peter M. Knoll
Korreferent: Prof. Dr. rer. nat. Uli Lemmer
Vorwort
Diese Dissertation entstand im Rahmen meiner Ttigkeit als technischer Leiter des ent-
lich gefrderten Forschungsprojekts NIRWARN (Near Infrared Warning) bei der Robert
Bosch GmbH in Leonberg.
Mein herzlicher Dank gilt zunchst Herrn Prof. Dr.-Ing. habil. Peter Knoll, der diese Ar-
beit ermglichte und als Hauptreferent fungierte sowie Herrn Prof. Dr. rer. nat. Uli Lemmer
fr die bernahme des Korreferats.
Zu besonderem Dank bin ich Herrn Dr. phil. nat. Werner Uhler verpichtet, der meine
Dissertation engagiert durch eine Vielzahl fachlicher Diskussionen und Anregungen frderte
und somit wesentlich zum Gelingen der Arbeit beitrug.
Bedanken mchte ich mich auch bei meiner Familie, insbesondere bei meiner Mutter, oh-
ne deren Untersttzung mein Werdegang und die Erstellung dieser Arbeit nicht mglich
gewesen wre. Fr ihre Geduld und kontinuierliche Motivation whrend der Ausarbeitung
der Dissertation danke ich auerdem meiner Frau Giuliana.
Marc Arnon
Ingolstadt, Februar 2010
Inhaltsverzeichnis
Inhaltsverzeichnis vii
1 Einleitung 1
1.1 Stand der Technik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1 Sensorkonzepte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Warnende Nachtsichtsysteme . . . . . . . . . . . . . . . . . . . . . 6
1.2 Entwicklungsmethodik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.1 Situationsbewusstsein als Konstrukt zur Analyse des Fahrerverhaltens 9
1.2.2 Generische Systemarchitektur . . . . . . . . . . . . . . . . . . . . . 12
1.3 Entwicklungsumgebung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4 Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5 Ziele und Aufbau der Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 Anforderungsanalyse 19
2.1 Das Unfallgeschehen bei Nacht . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2 Expertendiskussion zur Fahrerwarnung . . . . . . . . . . . . . . . . . . . . 22
2.3 Explorative Studie im Fahrsimulator . . . . . . . . . . . . . . . . . . . . . 24
2.3.1 Vorbereitung der Fahrsimulation . . . . . . . . . . . . . . . . . . . 24
2.3.2 Versuchsdesign und Versuchsablauf . . . . . . . . . . . . . . . . . . 27
2.3.3 Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4 Ableitung der Nutzeranforderungen . . . . . . . . . . . . . . . . . . . . . . 29
3 Systemkonzept 33
3.1 Integration in die Fahrsimulation . . . . . . . . . . . . . . . . . . . . . . . 35
3.1.1 Simulation des Long Range Radarsensors . . . . . . . . . . . . . . . 37
3.1.2 Simulation des Videosensors . . . . . . . . . . . . . . . . . . . . . . 43
3.2 Integration in den Versuchstrger . . . . . . . . . . . . . . . . . . . . . . . 47
4 Entwicklung der Mensch-Maschine-Schnittstelle 51
4.1 Ideengenerierung mittels Brainstorming . . . . . . . . . . . . . . . . . . . . 51
4.1.1 Vorbereitung des Brainstorming . . . . . . . . . . . . . . . . . . . . 51
4.1.2 Ablauf des Brainstorming . . . . . . . . . . . . . . . . . . . . . . . 53
4.1.3 Ergebnisse des Brainstorming . . . . . . . . . . . . . . . . . . . . . 53
4.2 Weiterentwicklung der HMI-Prototypen . . . . . . . . . . . . . . . . . . . . 56
4.2.1 Verbesserung der peripheren Wahrnehmbarkeit der Warnung . . . . 58
4.2.2 Periphere Vermittlung von Zusatzinformationen . . . . . . . . . . . 60
viii INHALTSVERZEICHNIS
5 Entwicklung der Umfeldbeschreibung 65
5.1 Koordinatensystem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.2 Filterung der Fahrzeugbewegung . . . . . . . . . . . . . . . . . . . . . . . . 67
5.2.1 Lineares Einspurmodell . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.2.2 CTR-Modell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.2.3 Vergleich der Modelle . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.3 Objekt-Tracking . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.3.1 Datenassoziation und Objektmanagement . . . . . . . . . . . . . . 76
5.3.2 Prdiktion und Filterung der Daten . . . . . . . . . . . . . . . . . . 79
6 Entwicklung der Umfeldinterpretation 83
6.1 Kursprdiktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.1.1 Spurverlaufsvorhersage anhand bewegter Objekte . . . . . . . . . . 84
6.1.2 Spurverlaufsvorhersage anhand stehender Objekte . . . . . . . . . . 85
6.1.3 Mischung verschiedener Quellen zur Kursprdiktion . . . . . . . . . 88
6.2 Spurplausibilisierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
6.2.1 Zustzliche Manahmen zur Vermeidung von fehlerhaften Spurplau-
sibilisierungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
7 Systemuntersuchung in der Fahrsimulation 95
7.1 Fragestellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
7.2 Bekannte Arbeiten mit hnlicher Zielsetzung . . . . . . . . . . . . . . . . . 96
7.3 Vorbereitung der Fahrsimulation . . . . . . . . . . . . . . . . . . . . . . . . 98
7.3.1 HMI EUCLIDE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
7.3.2 Systemabstimmung . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
7.3.3 Szenarien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
7.4 Versuchsdesign . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
7.4.1 Stichprobe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
7.4.2 Versuchsablauf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
7.4.3 Beanspruchungsmessung . . . . . . . . . . . . . . . . . . . . . . . . 104
7.5 Ergebnisse der objektiven Daten . . . . . . . . . . . . . . . . . . . . . . . . 105
7.5.1 Reaktionen auf Fehlwarnungen . . . . . . . . . . . . . . . . . . . . 106
7.5.2 Reaktionen auf berechtigte Warnungen . . . . . . . . . . . . . . . . 110
7.6 Ergebnisse der subjektiven Daten . . . . . . . . . . . . . . . . . . . . . . . 118
7.6.1 Ergebnisse der Beanspruchungsmessung . . . . . . . . . . . . . . . . 118
7.6.2 Ergebnisse der kombinierten Messung von Situation Awareness und
Gebrauchstauglichkeit . . . . . . . . . . . . . . . . . . . . . . . . . 121
7.6.3 Systembewertung auf Basis der Fehlwarnungen . . . . . . . . . . . 122
7.6.4 Systembewertung auf Basis der berechtigten Warnungen . . . . . . 123
7.7 Zusammenfassung und Diskussion der Ergebnisse . . . . . . . . . . . . . . 124
8 Expertenevaluierung im Fahrzeug 125
8.1 Versuchsdesign . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
8.1.1 Versuchsablauf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
8.1.2 Stichprobe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
8.2 Ergebnisse der objektiven Daten . . . . . . . . . . . . . . . . . . . . . . . . 128
8.2.1 Reaktionen auf Fehlwarnungen . . . . . . . . . . . . . . . . . . . . 129
INHALTSVERZEICHNIS ix
8.2.2 Reaktionen auf berechtigte Warnungen . . . . . . . . . . . . . . . . 132
8.3 Ergebnisse der subjektiven Daten . . . . . . . . . . . . . . . . . . . . . . . 137
8.3.1 Ergebnisse der Beanspruchungsmessung . . . . . . . . . . . . . . . . 137
8.3.2 Ergebnisse der kombinierten Messung von Situation Awareness und
Gebrauchstauglichkeit . . . . . . . . . . . . . . . . . . . . . . . . . 138
8.3.3 Systembewertung auf Basis der Fehlwarnungen . . . . . . . . . . . 140
8.3.4 Systembewertung auf Basis der berechtigten Warnungen . . . . . . 140
8.4 Zusammenfassung und Diskussion der Ergebnisse . . . . . . . . . . . . . . 141
9 Zusammenfassung und Ausblick 143
Formelzeichen und Indizes 147
Literaturverzeichnis 151
A Unfalltypen-Katalog 159
B Grundlagen von Head-Up Displays 161
B.1 Aufbau eines Head-Up Displays . . . . . . . . . . . . . . . . . . . . . . . . 161
B.2 Markierung von Hindernissen im Head-Up Display . . . . . . . . . . . . . . 161
C Berechnung des Flussmusters aus der Segmentanordnung im HMI 165
D Erweitertes Kalman-Filter 169
E Formalismus zur Filterung der Fahrzeugbewegung 173
F Algorithmen zum Multi-Objekt-Tracking 177
F.1 GNN-Tracking . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
F.1.1 Zustandsraummodell zur Kalman-Filterung . . . . . . . . . . . . . 178
F.1.2 Prdiktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
F.1.3 Gating . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
F.1.4 Assoziation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
F.1.5 Filterung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
F.1.6 Objektmanagement . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
F.2 JPDA-Tracking . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
F.2.1 Gating . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
F.2.2 Assoziation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
F.2.3 Filterung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
F.3 IMM-JPDA-Tracking . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
F.3.1 Zustandsraummodelle zur Kalman-Filterung . . . . . . . . . . . . . 190
F.3.2 Prdiktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
F.3.3 Gating . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
F.3.4 Assoziation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
F.3.5 Filterung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
F.3.7 Umfeldmodell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
G Beispiel zum Assoziationsprozess beim JPDA-Tracking 197
x INHALTSVERZEICHNIS
H Szenarienfolge im Fahrsimulator 199
I Fragebgen der Probandenstudien 203
J Grundlagen zur Erkennbarkeit einer Warnung im Head-Up Display 217
Kapitel 1
Einleitung
Im Jahr 1913 brachte die Elektrotechnische Fabrik Robert Bosch
1
das Bosch-Licht auf
den Markt, Abbildung 1.1. Das neue Beleuchtungssystem bestand aus Scheinwerfern, einer
Lichtmaschine, einer Batterie und einem Reglerschalter zur Steuerung der Batterieaua-
dung [76].
Abbildung 1.1: Werbeplakat fr das Bosch-Licht 1913 [76]
Mit seiner Entwicklung lieferte Bosch einen wichtigen Beitrag zur Lsung der zunehmenden
Probleme des sich rasant entwickelnden Straenverkehrs, denn die Hchstgeschwindigkeiten
der damaligen Automobile wurden innerhalb weniger Jahre derartig gesteigert, dass die mit
zu schwacher Beleuchtung ausgestatteten Fahrzeuge ein immer greres Sicherheitsrisiko
fr die Fahrzeuginsassen und andere Verkehrsteilnehmer darstellten.
Der Grund dafr liegt darin, dass die visuelle Wahrnehmung des Menschen bei Dunkelheit
einer Reihe von physiologischen Beeintrchtigungen ausgesetzt ist [89]:
Blendung,
reduzierte Sehleistung (5 % der Sehleistung bei Tag), infolge dessen
schlechtere Erkennung von Kontrasten und Farbunterschieden sowie
schlechtere Einschtzung von Entfernungen.
1
Vorgngerin der Robert Bosch GmbH
2 1. Einleitung
Bereits 1902 wurde in Wrttemberg eine gesetzliche Regelung erlassen, dass jedes Kraft-
fahrzeug nach eingetretener Dunkelheit und bei starkem Nebel mit zwei an den Seiten
vorne angebrachten, hellbrennenden Laternen von weiem Glas versehen sein mu [75].
Bis zum Ende des ersten Weltkriegs wurden fr die Scheinwerfer von Kraftfahrzeugen
immer strkere Glhlampen verwendet. Dies bedingte eine zunehmende Blendung des Ge-
genverkehrs, was laut einer zeitgenssischen Quelle dazu fhrte, dass das Fahrzeug mit der
schwcheren Beleuchtung in der Regel dazu gezwungen war, anzuhalten und den Gegen-
verkehr mangels Sicht passieren zu lassen [75].
Die im 20. Jahrhundert erfolgten Weiterentwicklungen des Bosch-Lichts ber das asym-
metrische Abblendlicht hin zu modernen Scheinwerfersystemen mit Gasentladungslampen
und variabler Lichtverteilung zeigen die permanent vorhandene Notwendigkeit einer ver-
besserten Fahrbahnausleuchtung.
Trotz der kontinuierlichen Verbesserung im Bereich der Lichttechnik wird auch in aktuellen
Untersuchungen die Kombination aus nchtlichen Sichtverhltnissen und hoher Geschwin-
digkeit als problematisch eingeschtzt [74]:
Man muss fr [...unbeleuchtete] Hindernisse mit Erkennbarkeitsweiten von
< 100 m rechnen. Dies entspricht bei einer angenommenen Vollverzgerung
von 4 m/s
2
und einer angenommenen Verzugszeit
2
von t = 1,5 s einer fr ein
sicheres Anhalten zulssigen Hchstgeschwindigkeit von ca. 85 km/h. Hhe-
re Geschwindigkeiten sind zumindest fr Auerorts-Straen bei Nacht kaum
vertretbar.
Mgliche Fehler des Fahrers, die im weiteren Verlauf zu einem Unfall mit dem Hindernis
fhren knnen, lassen sich laut [74] und [7] in eine der drei folgenden Kategorien einordnen:
unzureichende Gefahrenerkennung (ausbleibende oder versptete Reaktion),
Entscheidungsfehler bei der Handlungsauswahl und
Fehler bei der Ausfhrung der Vermeidungsaktion.
Moderne Innovationen der aktiven Fahrsicherheit, wie ESP
3
und HBA
4
, die mittlerweile
zur Serienausstattung vieler Mittel- und Oberklassefahrzeuge gehren, untersttzen den
Fahrer insbesondere bei der Ausfhrung der Vermeidungsaktion. Allerdings sind auch die-
sen Systemen fahrphysikalische Grenzen gesetzt, so dass ein Brems- oder Ausweichmanver
nur dann Erfolg haben kann, wenn es rechtzeitig vor der Kollision vom Fahrer eingeleitet
wurde.
Als Weiterentwicklung der Systeme, die den Fahrer lediglich in seiner Reaktion unterstt-
zen, stehen automatische Notbremssysteme, die im Falle einer unvermeidbaren Kollision
eine autonome und vom Fahrer nicht mehr bersteuerbare Vollverzgerung einleiten, kurz
vor der Serieneinfhrung [44].
Eine wichtige Komponente bei der Entwicklung autonomer Bremssysteme ist die Frage, wie
ein Fehlverhalten derartiger Systeme und eine damit verbundene erhhte Unfallgefahr unter
allen Umstnden vermieden werden kann. Dazu werden in der Regel zwei Bedingungen an
die Auslsung solcher Systeme geknpft:
2
Anm.: Reaktionszeit des Fahrers
3
Elektronisches Stabilittsprogramm
4
Hydraulischer Bremsassistent
3
Das Kriterium der Unvermeidbarkeit einer Kollision muss zweifelsfrei berechnet und
durch redundante Sensorik besttigt worden sein.
Eine Gefhrdung des nachfolgenden Verkehrs, der aufgrund eines zu geringen Ab-
stands bei einer Vollverzgerung auahren knnte, muss ausgeschlossen sein.
Im Zweifel wird eine Auslsung sicherheitshalber unterdrckt, was zwangslug zu einer
Fokussierung auf wenige, vom System sicher beherrschbare Verkehrsszenarien fhrt.
Die Alternative ist, den Fahrer frhzeitig vor einer gefhrlichen Verkehrssituation zu warnen
und ihm so die Mglichkeit zu geben, selbst Manahmen zur Deeskalation einzuleiten. Da
der Fahrer in diesem Fall selbst Herr ber sein Fahrzeug ist, liegt die Verantwortlichkeit
fr unberechtigte Fahrmanver aufgrund einer falschen Interpretation der Fahrsituation
bei ihm. Auf Basis von Unfallanalysen wurde errechnet, dass sich nahezu die Hlfte aller
Zusammenste bei Nacht vermeiden liee, wenn die Fahrerreaktion um 0,5 s vorverlegt
werden knnte [42]. Der Nachteil dieser Vorgehensweise ist, dass aufgrund der Reaktionszeit
des Fahrers eine Warnung deutlich frher ausgegeben werden muss, als wenn lediglich ein
Bremsenaktor angesteuert werden soll.
Fr den Fall, dass eine Kollision nicht nur abgeschwcht, sondern durch eine entsprechende
Reaktion ganz vermieden werden soll, ergeben sich aus dem erforderlichen frhen Warnzeit-
punkt Unsicherheiten bzgl. der Vorhersage des zuknftigen Verlaufs einer Fahrsituation, die
zu Fehlwarnungen fhren knnen. Die beiden Anforderungen, den Fahrer mglichst frh
zu warnen und gleichzeitig keine Fehlwarnungen auszugeben, bilden einen Widerspruch
zueinander, der in der Literatur hug als Warndilemma bezeichnet wird [22].
Obwohl die mit dem Warndilemma einhergehenden Unschrfen bei der Erfassung und Inter-
pretation von Fahrsituationen bereits seit langem Forschungsthema sind [66], konzentriert
sich die Entwicklung von Mensch-Maschine-Schnittstellen zur Ausgabe von Kollisionswar-
nungen hauptschlich darauf, Warnungen mglichst prgnant und deutlich darzustellen
[48], [67], [32]. Im Zusammenhang mit Fehlwarnungen wird in der Regel davon ausgegangen,
dass der Fahrer eine fehlerhafte Systemausgabe aufgrund der unkritischen Fahrsituation,
in der er sich bendet, sofort erkennt und keine falsche Reaktion ausfhrt.
Diese Mglichkeit hat der Fahrer bei einem warnenden Nachtsichtsystem nicht, da seine
eigene Sehleistung in der Regel nicht fr eine frhe Plausibilisierung der Warnung ausreicht.
Vielfach bleibt ihm also nur die Wahl, sich blind auf das System zu verlassen oder die
Warnung zu ignorieren.
Zur Lsung des Problems wird im Rahmen dieser Dissertation ein alternativer Weg fr die
Fahrerwarnung beschritten. Unschrfen der Situationsinterpretation werden dem Fahrer
zusammen mit der Warnung bermittelt, wodurch er in die Lage versetzt werden soll, sich
ein vollstndigeres Bild sowohl der Fahrsituation als auch von der Situationsinterpretation
durch das Warnsystem zu machen.
Die bertragung dieses Ansatzes, der sich bei der Auslegung von Informationsdisplays
in der Luftfahrt bereits seit Langem etabliert hat [22], auf das Automobil wird anhand
der vorgenommenen Entwicklungsschritte beschrieben und insbesondere aus Fahrersicht
hinsichtlich seiner Vor- und Nachteile eingehend analysiert.
Aufgrund der Komplexitt des Forschungsgebiets Fahrerwarnung ist diese Arbeit als Bei-
trag zu verstehen, der die Vielzahl an Publikationen, die zu diesem Thema bereits existie-
ren, nicht in Frage stellen, jedoch mit einem neuen Ansatz kritisch hinterfragen will.
4 1. Einleitung
1.1 Stand der Technik
Neben der Darstellung gebruchlicher Sensorkonzepte zur Umfelderfassung wird im Fol-
genden ein berblick ber auf dem Markt erhltliche oder im Rahmen von Forschungsini-
tiativen entwickelte warnende Nachtsichtsysteme gegeben. Rein bildgebende Systeme, bei
denen keine Objektdetektion und Fahrerwarnung erfolgt, wurden von der Darstellung aus-
geklammert, ebenso Kollisionswarnsysteme, deren Hauptaugenmerk auf bewegten Hinder-
nissen liegt. Insbesondere fr die Warnung vor vorausfahrenden Objekten existiert bereits
eine Vielzahl von technischen Lsungen, da die Beschrnkung auf bewegte Hindernisse
eine bessere Diskriminierung der Sensordaten von Randobjekten ermglicht und so die
Wahrscheinlichkeit von Fehlwarnungen deutlich geringer ist als bei der Einbeziehung von
stehenden Hindernissen.
1.1.1 Sensorkonzepte
Fahrerassistenzsysteme greifen fr die Erfassung des Fahrzeugumfelds auf verschiedene Sen-
sortypen zurck, die sich in den zur Anwendung kommenden physikalischen Messprinzipien
sowie in den Informationen unterscheiden, die sie ber die detektierten Objekte liefern. Ab-
bildung 1.2 zeigt, wie verschiedene Sensortechnologien zur Umfelderfassung eines modernen
Oberklassefahrzeugs fr die Funktionen vorausschauender Sicherheitssysteme kombiniert
werden.

Abbildung 1.2: Kombination verschiedener Sensortechnologien zur Umfelderfassung bei
vorausschauenden Sicherheitssystemen [41]
Zur Erfassung des Fernbereichs ab 50 m werden in der Regel Radar- oder Lidarsensoren
verwendet.
5
Bei beiden Sensoren kommen hnliche Methoden zur Abstands- und Geschwin-
5
RADAR: Radio Detection And Ranging, LIDAR: Light Detection And Ranging
1.1 Stand der Technik 5
digkeitsmessung zur Anwendung. Allerdings reduziert sich prinzipbedingt die Erfassungs-
reichweite optischer Sensoren bei verschlechterten Sichtbedingungen, z.B. durch Regen, in
hnlicher Weise wie beim Fahrer selbst. Im Vergleich dazu ist die Beeintrchtigung des
Radarsensors durch Umwelteinsse deutlich geringer [82].
Aufgrund der im Vergleich zum Lidar hheren Detektionsreichweite und Zuverlssigkeit
auch unter schwierigen Einsatzbedingungen werden fr die Realisierung von eingreifenden
oder warnenden Sicherheitssystemen in der Regel Radarsensoren eingesetzt. Daher wird
im Rahmen dieser Dissertation nicht weiter auf die Lidar-Technik eingegangen; das in den
folgenden Kapiteln dargestellte Systemkonzept liee sich jedoch prinzipiell auch mit einem
Lidarsensor realisieren.
Der Long-Range-Radarsensor LRR2 der Robert Bosch GmbH ist seit mehreren Jahren in
verschiedenen Serienfahrzeugen vertreten und wird sowohl zur Darstellung des Fahrerassis-
tenzsystems fr die automatischen Abstandsregelung, ACC (Adaptive Cruise Control), als
auch zur Fahrerwarnung bei akuter Kollisionsgefahr mit bewegten Hindernissen eingesetzt
[41]. In Abbildung 1.3 ist der Sensor mit seinen wesentlichen Bauelementen dargestellt, die
Abmessungen betragen 73 70 60 mm
3
(H B T) [84].
Abbildung 1.3: Long Range Radarsensor LRR2 [84]
Auf einem Trger, der gleichzeitig die Rckseite des Gehuses und die Steckeranbindung
fr den Signaluss und die Stromversorgung darstellt, ist zunchst der Hochfrequenz-Teil
der Sensorhardware untergebracht. Diese Platine beinhaltet vier Radarantennen, von denen
jede einen eigenen Beam aussendet. Durch ein Metallgehuse abgeschirmt, trgt eine zweite
Platine den Niederfrequenz-Teil des Sensors, auf dem die digitale Signalverarbeitung erfolgt
und der Datentransfer zum Fahrzeugnetzwerk erfolgt. Den oberen Abschluss des Gehuses
bildet eine Kunststoinse zur Bndelung der elektromagnetischen Wellen.
Das Messprinzip des Radarsensors beruht auf dem FMCW (Frequency Modulated Con-
tinuous Wave)-Verfahren. Bei diesem Messprinzip werden die Sendefrequenzen der Senso-
rantennen kontinuierlich in Form einer Rampe verndert, um Entfernung und Relativge-
schwindigkeit zu Objekten zu messen [92]. Die Entfernung wird aus der Signallaufzeit, die
Relativgeschwindigkeit nach dem Dopplerprinzip gemessen. Beide Gren knnen aus der
Frequenzdierenz bzw. aus der Frequenzverschiebung ermittelt werden.
6 1. Einleitung
Zur Bestimmung des horizontalen Winkels, mit dem ein Objekt detektiert wurde, werden
die Signalechos der insgesamt vier Antennen hinsichtlich der empfangenen Signalstrke
verglichen.
In warnenden und in bildgebenden Nachtsichtsystemen werden auch sogenannte FIR-
Sensoren (Fern-Infrarot) angewendet [69]. Diese Sensoren setzen die thermische Strahlung
von Objekten in Grauwerte um und eignen sich so besonders gut, um lebende Objekte zu
detektieren. Nachteilig ist bei dieser Technologie, dass Strukturelemente der Fahrbahn, wie
etwa die Randmarkierungen und sonstige kalte Objekte nur schwer erfasst werden knnen.
Als Alternative zur FIR-Technologie werden Kamerasysteme basierend auf NIR-Sensoren
(Nah-Infrarot) eingesetzt. Dabei wird die Fahrbahn mit fr den Menschen unsichtbarer
Infrarotstrahlung ausgeleuchtet und die Fahrszene von speziellen Sensoren aufgenommen
[42]. Die verwendeten Kameras werden in der Regel basierend auf CMOS (Complementa-
ry Metal Oxide Semiconductor)-Bildsensoren mit einer logarithmischen Empndlichkeits-
kennlinie aufgebaut [5]. Die daraus resultierende hohe Helligkeitsdynamik ist insbesondere
fr Situationen mit auftretendem Gegenlicht wichtig.
Die NIR-Technologie ist nicht in der Lage, hnlich eines FIR-Systems, Fugnger auf-
grund ihrer Wrmestrahlung zu erkennen, da Objekte im NIR-Bereich keine Strahlung
emittieren. Mit einer geeigneten Fahrbahnausleuchtung ist jedoch nach [37] und [80] auch
mit NIR-Kameras nachts die musterbasierte Detektion von Fugngern bei gleichzeitiger
Erfassung der Fahrspur mglich. Der innere Aufbau einer CMOS-Kamera fr ein NIR-
Nachtsichtsystem aus [5] ist in Abbildung 1.4 dargestellt.

Abbildung 1.4: Aufbau einer Kamera fr NIR-Nachtsichtsysteme [5]
Der Aufbau der CMOS-Kamera besteht zunchst aus dem Objektiv (Abbildung 1.4, links
oben), das ber einen Objektivhalter mit dem Bildsensor verbunden ist. Durch ein Flach-
bandkabel ist die Ansteuerelektronik an den Bildsensor angeschlossen, deren Hauptfunkti-
on das Auslesen der Rohbildinformation ist. Die Daten werden dann zur Bildverarbeitung
weitergeleitet.
Im rechten Teil der Abbildung ist das Gehuse der Kamera zu sehen. Sie wird in Hhe des
Rckspiegels von innen an der Frontscheibe angebracht, die integrierte Streulichtblende
schtzt vor strenden Reexionen der Instrumententafel.
1.1.2 Warnende Nachtsichtsysteme
Zum Zeitpunkt der Erstellung dieser Arbeit sind hauptschlich bildgebende Nachtsichtsys-
teme in Serienfahrzeugen erhltlich. Es werden sowohl FIR-Systeme (BMW 7er) eingesetzt,
1.1 Stand der Technik 7
als auch die NIR-Technologie (Mercedes S-Klasse). Die Anzeige der Nachtsichtbilder erfolgt
entweder innerhalb des Kombiinstruments oder in der Mittelkonsole.
Ein warnendes Nachtsichtsystem zur Vermeidung von Fugngerunfllen ist seit 2004 im
Honda Legend auf dem japanischen Markt erhltlich [1]. Bei diesem Fahrerassistenzsystem
werden die Bilder von zwei FIR-Kameras zur Detektion von Fugngern genutzt. Aus der
Disparitt der beiden Bilder wird die Entfernung, die laterale Position und die Bewegungs-
richtung des Fugngers relativ zum eigenen Fahrzeug ermittelt.
Bendet sich die detektierte Person innerhalb eines Gefahrenbereichs, Caution Area, der
als starres Trapez links und rechts der Lngsachse des Fahrzeugs angenommen wird, erfolgt
eine visuelle Warnung, indem der Fugnger in einem dem Fahrer angezeigten FIR-Bild
markiert wird. Zustzlich wird ein Warnton ausgegeben (vgl. Abbildung 1.5).
Quelle: http://www.motiontrends.com/2005/2005csm/m08eng/nvhonda/nvhonda.shtml
Honda own system was launched in Japan in 2004
Japan's Legend features (FIR) Night Vision

Honda Legend with far infrared night vision technology has been known in Japan for nearly a year now.

Motion Trends,
August 2005.
Abbildung 1.5: Links: Denition des relevanten Fahrbahnbereichs fr eine Warnung des
Honda FIR-Systems, Rechts: Objektmarkierung im FIR-Bild [1]
Im Rahmen der beiden von der europischen Union gefrderten Forschungsprojekte EDEL
6
und EUCLIDE
7
wurden eine Reihe von technologischen Grundlagen fr warnende Nacht-
sichtsysteme erarbeitet.
Whrend EUCLIDE zur Umfelderfassung eine Sensordatenfusion aus Radarsensor und
FIR-Kamera durchfhrt [69], verwendet EDEL die Daten von zwei NIR-Kameras. Die
Schwerpunkte des EDEL-Projekts liegen in der Entwicklung von Kamera- und Ausleuch-
tungstechnologien basierend auf NIR-Laserscheinwerfern fr Nachtsichtsysteme [8].
Beiden Projekten gemeinsam ist die Art der Ausgestaltung der Mensch-Maschine-Schnitt-
stelle, bei der analog zum Nachtsichtsystem des Honda Legend relevante Objekte in
6
Enhanced Drivers perception in poor visibility
7
Enhanced human machine interface for on vehicle integrated driving support system
8 1. Einleitung
einem Nachtsichtbild markiert werden. Aufgrund der hnlichkeit der beiden Projekte wer-
den im Folgenden die Ergebnisse des EUCLIDE-Projekts nher erlutert.
Das HMI
8
-Konzept von EUCLIDE basiert auf einer zweistugen Warnung [23], [68]. Bei
der ersten Stufe wird in Form einer visuellen Warnung das relevante Objekt in einem
Nachtsichtbild der FIR-Kamera markiert. Entsprechend der vom System ermittelten Ob-
jektklassikation werden zur Markierung drei verschiedene Symbole verwendet:
Fugnger,
Fahrzeug,
sonstiges Hindernis (Warndreieck)
Die zweite Warnstufe besteht in einem akustischen Warnton und einem in die Frontscheibe
eingespiegelten und blinkenden Warndreieck. Die Darstellung beider Warnstufen bei einer
Annherung an Fugnger zeigt Abbildung 1.6.
Abbildung 1.6: Die beiden Warnstufen des EUCLIDE-HMI bei der Annherung an Fu-
gnger
Aus den Informationen ber die vom Radarsensor detektierten stehenden Randobjekte
sowie ber vorausfahrende Fahrzeuge und aus der Bewegung des eigenen Fahrzeugs wird
eine Kursprdiktion errechnet [69]. Die Kursprdiktion des eigenen Fahrzeugs wird zur Ent-
scheidung, ob eine Warnung erforderlich ist, mit den prdizierten Trajektorien detektierter
Objekte verglichen.
Ergibt der Vergleich der Trajektorien, dass sich ein Objekt im weiteren Verlauf der Fahrsi-
tuation soweit annhert, dass eine Abstandsschwelle unterschritten wird, erfolgt die Aus-
gabe der ersten Warnstufe, die auch als Informationsmodus bezeichnet wird. Wenn zu-
stzlich die noch verbleibende Zeit bis zum Erreichen der Abstandsschwelle unter einen
weiteren Schwellenwert sinkt, wird zum Informationsmodus auch der akute Warnmodus,
d.h., die zweite Warnstufe ausgegeben [71].
Fr das EUCLIDE-System wurde ein zweistuges Warnkonzept eingesetzt, um dem Fahrer
die Mglichkeit zu geben, Fehlwarnungen zu identizieren, indem er bei einer Warnung der
Stufe 1 berprft, ob sich an der markierten Position im Display tatschlich ein Hindernis
auf Kollisionskurs bendet [23]. Zu einer detaillierten berprfung dieses Konzepts in
Bezug auf Fehlwarnungen existieren jedoch bislang keine Verentlichungen.
8
HMI: Human-Machine Interface, Mensch-Maschine-Schnittstelle.
1.2 Entwicklungsmethodik 9
1.2 Entwicklungsmethodik
Um ein systematisches Vorgehen sicherzustellen, orientiert sich der Verfasser dieser Disser-
tation an einer allgemein anerkannten Methodik zur Entwicklung technischer Systeme [88].
Gem dieser Methodik ist die vorliegende Arbeit als eine Systemvorstudie zu verstehen,
bei der eine Problemlsungsstrategie mit den folgenden Schritten angewendet wird:
Problemanalyse,
Problemformulierung,
Systemsynthese,
Systemanalyse,
Beurteilung.
In [47] ist eine detaillierte Darstellung der Vorgehensweise zur Systemsynthese fr Fahreras-
sistenzsysteme angegeben. Demnach erfolgt zunchst die Festlegung der Grobstruktur des
Systems. Im Anschluss daran kann die Identikation von Teilfunktionen, die Denition der
Schnittstellen fr den Signaluss zwischen den Komponenten und das Herunterbrechen
der Anforderungen an das System auf die einzelnen Komponenten durchgefhrt werden.
Generell wird zwischen der Bottom-Up Vorgehensweise und der Entwicklung nach dem
Top-Down Prinzip unterschieden.
Bottom-Up bezeichnet einen Prozess, bei dem, ausgehend von einer Detaillsung (Sensor),
schrittweise die Denition des Gesamtsystems vorgenommen wird. Dabei entscheidet im
Wesentlichen die Leistungsfhigkeit der vorhandenen Sensorik ber die Funktionsauspr-
gung. Im Gegensatz dazu legt ein Entwicklungsprozess nach dem Top-Down Prinzip zu-
nchst die Grobstruktur des Gesamtsystems fest, um dieses dann in mehreren Schritten
entsprechend der Problemstellung in kleinere Teilsysteme zu zerlegen. Der Top-Down Pro-
zess ist dann beendet, wenn ein Detaillierungsgrad erreicht ist, mit dem smtliche Teilpro-
bleme zur Gestaltung des Gesamtsystems beherrschbar sind. Um die Realisierbarkeit ei-
nes Systems unter vorgegebenen Rahmenbedingungen sicherzustellen, erfolgen wiederholte
Wechsel zwischen Top-Down und Bottom-Up Vorgehensweisen.
9
Dies bewirkt ein iteratives
Durchlaufen der beschriebenen Problemlsungsstrategie und die schrittweise Detaillierung
der Systemarchitektur sowie der Anforderungen an das System.
1.2.1 Situationsbewusstsein als Konstrukt zur Analyse des Fah-
rerverhaltens
Whrend der Abarbeitung der einzelnen Schritte zur Problemlsung dient ein theoretischer
Rahmen zur Erklrung des Fahrerverhaltens und zu dessen Einordnung in Bezug auf die
Systemausgaben. Auerdem lsst sich anhand der im Folgenden erluterten Theorie eine
Strukturierung der Anforderungen an das System aus Nutzersicht vornehmen.
Bei der Erkennung von Gefahrensituationen im Straenverkehr spielen vor allem kognitive
Prozesse zur Informationsaufnahme und Informationsverarbeitung eine Rolle. Diese lassen
sich unter Verwendung eines Konstrukts, genannt Situation Awareness (Situationsbe-
wusstsein), als aufeinander aufbauende Ebenen der Informationsreprsentation im Gehirn
darstellen.
9
Die Rahmenbedingungen beziehen sich z.B. auf die Leistungsfhigkeit der verwendeten Sensorik zur
Umfelderfassung.
10 1. Einleitung
Die Theorie der Situation Awareness stellt ein psychologisch motiviertes Modell des Men-
schen dar, um zu erklren, wie er Informationen aus der Umwelt aufnimmt und weiterver-
arbeitet. Im Rahmen des in Abbildung 1.7 dargestellten Prozesses entwickelt der Mensch
ein mentales Abbild von der Situation, in der er sich gerade bendet, sowie eine Projektion
ber die zuknftige Entwicklung der Situation. Aus dieser Projektion werden Entscheidun-
gen ber die Ausfhrung von Handlungen getroen.
Situation Awareness
Entscheidung Handeln
Projektion in
die Zukunft
Ebene 3
Wahrnehmung
der Umwelt
Ebene 1
Verstndnis
der Situation
Ebene 2
Abbildung 1.7: Situation Awareness als kognitiver Verarbeitungsprozess [22]
Die erste Ebene ist die bewusste Wahrnehmung von physikalischen Reizen und deren Zu-
sammensetzung zu Elementen der Umwelt, z.B. die Wahrnehmung anderer Fahrzeuge im
Straenverkehr. In der zweiten Ebene wird ein Gesamtverstndnis der aktuellen Situation
geschaen, in der sich der Mensch und seine Umwelt benden. Dabei werden die in der
ersten Ebene wahrgenommenen Elemente in das bereits vorhandene mentale Modell der
Umwelt integriert und zueinander in Beziehung gebracht. Ein Beispiel hierfr ist die Po-
sitionierung anderer Fahrzeuge sowie deren Bewegungsrichtung. In der dritten Ebene ist
der Mensch in der Lage, die zuknftige Entwicklung der Situation, in der er sich gera-
de bendet, vorherzusagen und Entscheidungen zu treen. Bezogen auf das Fhren eines
Fahrzeugs im Straenverkehr bedeutet dies z.B., dass der Fahrer erkannt hat, welches der
Fahrzeuge zu welchem Zeitpunkt seine Fahrspur kreuzen wird.
Unzulnglichkeiten im Bereich der Informationsaufnahme, die zu einer verspteten Re-
aktion des Fahrers auf ein Hindernis fhren, lassen sich somit auf mangelnde Situation
Awareness in einem der drei Bereiche Wahrnehmung, Verstndnis und Projektion in
die Zukunft zurckfhren. Hier liegt der Ansatzpunkt fr die Untersttzung des Fahrers
durch ein Assistenzsystem zur Kollisionswarnung. Ist bekannt, welche Informationen dem
Fahrer zur Ausbildung einer ausreichenden Situation Awareness zur Bewertung der Fahr-
situation fehlen, so kann versucht werden, ihm diese gezielt zur Verfgung zu stellen, um
eine frhe Reaktion auf ein Hindernis zu begnstigen.
Kollisionswarnung aus ergonomischer Sicht
Eine vom Fahrer wahrgenommene Kollisionswarnung kann auf verschiedene Arten zu einer
Entscheidung fr eine Reaktion verarbeitet werden. Nach [72] unterscheidet man in der
Ergonomie drei Varianten der Informationsverarbeitung des Menschen bei Entscheidungs-
prozessen:
Skill-based behavior, fertigkeitsbasiertes Verhalten (Entscheidungen werden auf-
grund groer Erfahrung im Unterbewusstsein gefllt),
Rule-based behavior, regelbasiertes Verhalten (Entscheidungen werden nach Wenn,
dann...-Regeln gefllt) und
Knowledge-based behavior, wissensbasiertes Verhalten (Entscheidungen werden auf
Basis von mentalen Simulationen zur Abwgung von Alternativen gefllt).
Bei den drei Varianten der Informationsverarbeitung unterscheidet sich der jeweils erforder-
liche Aufwand zur Interpretation der Informationen und der damit verbundene Zeitverlust
bei der Entscheidungsndung. Das wissensbasierte Verhalten erfordert den hchsten und
eine fertigkeitsbasierte Reaktion bentigt den geringsten Aufwand
Beim fertigkeitsbasierten Verhalten wird eine Information auf Basis von Erfahrungen in-
tuitiv in eine Handlung umgesetzt. Das regelbasierte Entscheidungsverhalten kommt dann
zur Anwendung, wenn der Fahrer sich zwar auf einen Erfahrungsschatz sttzen kann, der
ihm bei der Entscheidungsndung in einer bestimmten Fahrsituation hilft, jedoch zur Aus-
wahl der richtigen Handlungsweise aus den abgespeicherten Erfahrungen noch eine gewisse
Denkleistung erforderlich ist.
Eine wissensbasierte Entscheidung beruht auf einem vollstndigen Verstndnis der Situa-
tion sowie auf den darauf aufbauenden Projektionen ber mgliche zuknftige Zustnde.
Somit mssen vor einer solchen Entscheidung alle drei Ebenen der Situation Awareness
nach Abbildung 1.7 durchlaufen werden.
Ein Beispiel fr die wissensbasierte Interpretation von Informationen ist die Darstellung
eines Infrarot-Nachtsichtbilds. Der Fahrer kann die Notwendigkeit fr eine kollisionsver-
meidende Handlung erst dann einschtzen, wenn er das dargestellte Bild interpretiert und
fr die Zukunft eine Gefhrdung von sich oder anderen Verkehrsteilnehmern erkannt hat.
Diese Art der Informationsverarbeitung ndet jedoch nicht bei warnenden Systemen statt,
da die Ausgabe einer Warnung voraussetzt, dass das System bereits eine Projektion der
aktuellen Fahrsituation in die Zukunft durchgefhrt hat, um dem Fahrer diese Aufgabe
abzunehmen.
Regel- und fertigkeitsbasierte Entscheidungen bieten die Mglichkeit, den Entscheidungs-
prozess zu beschleunigen, indem nicht alle, sondern maximal die ersten beiden Ebenen der
Situation Awareness durchlaufen werden. Allerdings besitzt der Fahrer in diesem Fall auch
eine geringe Toleranz gegenber falschen Systemausgaben. Damit antrainierte Schemata
zgig umgesetzt werden knnen, ist ein hohes Vertrauen in die Zuverlssigkeit des Warn-
systems erforderlich. Auf eine Kollisionswarnung mit einem Bremsruck reagiert der Fahrer
wie Studien zeigen intuitiv mit der Bettigung des Bremspedals. Wird eine solche
Warnung jedoch mehrfach unberechtigt ausgegeben, so unterdrckt der Fahrer seine Reak-
tion und fhrt sie erst nach berprfung der Verkehrssituation auf tatschlich vorhandene
Gefahren aus.
Die unterschiedlichen Ablufe der Prozesse zur Informationsverarbeitung und Entschei-
dungsndung sind in Abbildung 1.8 gemeinsam mit den durchlaufenen Ebenen der Situa-
tion Awareness dargestellt. Aus der Abbildung wird deutlich, dass bergnge von einem
direkten zu einem indirekteren Prinzip der Entscheidungsndung, z.B. vom regelbasierten
zum wissensbasierten Verhalten bei Bedarf whrend eines Verarbeitungsprozesses mglich
sind. Dies setzt laut [91] allerdings voraus, dass sich der Mensch dessen bewusst ist, wann
er welches Informationsdezit hat, um rechtzeitig in seiner Informationsverarbeitung eine
Ebene hher zu steigen.
Basierend auf den in Abbildung 1.8 zusammengefassten berlegungen liegt es jedoch na-
he, dem Fahrer zusammen mit der Warnung weitere Informationen zu bermitteln, anhand
derer ihm eine Beurteilung der Warnsituation mglich ist. Im Idealfall wrde der Fahrer
dadurch in die Lage versetzt, selbst zu entscheiden, ob er der Warnung vertraut und sofort
reagiert (regelbasiertes Verhalten), oder ob er zunchst weiter abwartet und die Situati-
on beobachtet, um ein besseres Verstndnis der Situation zu erlangen (wissensbasiertes
Verhalten).
12 1. Einleitung
Wahrnehmung
physikalischer
Reize
Wahrnehmung
der Umwelt
Ebene 1
Verstndnis
der Situation
Ebene 2
Projektion in
die Zukunft
Ebene 3
Entscheidung
Handeln
Auswahl
passender
Verhaltensregeln
f
e
r
t
i
g
k
e
i
t
s
b
a
s
i
e
r
t
e
s

V
e
r
h
a
l
t
e
n
r
e
g
e
l
b
a
s
i
e
r
t
e
s

V
e
r
h
a
l
t
e
n
w
i
s
s
e
n
s
b
a
s
i
e
r
t
e
s

V
e
r
h
a
l
t
e
n
Abbildung 1.8: Gestufter Prozess zur Entscheidungsndung (nach [91])
1.2.2 Generische Systemarchitektur
Die in dieser Arbeit beschriebene Entwicklung eines warnenden Nachtsichtsystems folgt
der in [47] beschriebenen Vorgehensweise. Die Grobstruktur fr das System orientiert sich
an der fr Fahrerassistenzsysteme gngigen Aufteilung in aufeinander aufbauende Stufen
der Sensordatenverarbeitung [64]. Das Prinzip ist in Abbildung 1.9 dargestellt und gliedert
sich in die Module:
Informationsquellen / Sensoren(S
1
, S
2
, . . . , S
n
),
Umfeldbeschreibung (UB),
Umfeldinterpretation (UI),
Funktionen (F
1
, F
2
, . . . , F
m
) mit entsprechenden funktionsspezischen Umfeldinter-
pretationen (UI
1
, UI
2
, . . . , UI
m
),
Funktionskoordination (FK),
Mensch-Maschine-Schnittstelle und
Aktoren (A
1
, A
2
, . . . , A
k
).
Die Sensoren liefern die Daten zu den von ihnen detektierten Umweltelementen (Objekte,
Fahrspurmarkierungen) an die Informationsplattform. Diese beinhaltet die Blcke Umfeld-
beschreibung und Umfeldinterpretation. Innerhalb der Informationsplattform laufen nach
der Denition von [30] die drei wesentlichen Prozessstufen der Informationsfusion ab. Die
Umfeldbeschreibung entspricht nach diesem Prozessmodell der ersten Stufe der Datenver-
arbeitung, genannt Object Renement.
Innerhalb des Object Renement werden die Objektinformationen der Sensoren anhand
von Tracking-Algorithmen geltert. Zustzlich kann eine Objektklassikation erfolgen,
um zustzliche Objektattribute (z.B. Kategorie Pkw oder Lkw) zu generieren, die von
der Umfeldinterpretation und den nachgeschalteten Funktionen weiterverwendet werden.
Das Ergebnis der Umfeldbeschreibung ist eine aktualisierte Liste mit gelterten Objekten,
Umfeld-
beschreibung
Umfeld-
interpretation
Informationsplattform
S
1
S
2
S
n
UB UI FK
A
1
A
2
A
k
Mensch-Maschine-
Schnittstelle
Umfeld-
Modelle
UI
1
F
1
UI
m
F
m
Sensoren /
I-Quellen
Funktionen
Funktions-
koordination
Aktoren
UI
2
F
2
Abbildung 1.9: Blockschaltbild eines multifunktionalen Fahrerassistenzsystems [64]
die auch als Tracks bezeichnet werden, und deren kinematischen Attributen. Jedes Objekt
erhlt dabei fr die weitere Datenverarbeitung eine eindeutige Indentikation in Form einer
Ordnungsnummer (ID).
Die Umfeldinterpretation umfasst die zweite und dritte Stufe der Informationsfusion (Si-
tuation Renement und Threat Renement). Im Rahmen des Situation Renement wer-
den zunchst einzelne Objekte je nach Anforderungen der Funktionen zu Objektkonstel-
lationen zusammengefasst. Dieser Schritt dient der weiteren Gliederung der Informationen
zur Erzeugung eines Gesamtbilds des aktuellen Fahrzustands. Um anschlieend im Rah-
men des Threat Renement ber das Gefhrdungspotenzial der erkannten Fahrsituation zu
entscheiden, muss der Ist-Zustand von Objektpositionen und Bewegungszustnden hin zu
zuknftigen Zustnden durch entsprechende Verfahren prdiziert werden. Hierzu werden
Umfeldmodelle verwendet, die sich aus der Funktionsspezikation ableiten.
Zustzlich zu dieser funktionsbergreifenden Umfeldinterpretation enthlt jede Funktion
eine funktionsspezische Umfeldinterpretation, um unterschiedlichen Anforderungen ein-
zelner Assistenzfunktionen gerecht zu werden. Innerhalb einer Funktion werden z.B. die er-
haltenen Daten anhand von Kennlinien umgerechnet und mit Schwellenwerten verglichen,
um ber die Ansteuerung eines Aktors (Bremse) oder einer Mensch-Maschine-Schnittstelle
zu entscheiden.
Eine solche Entscheidung ist meist mit der Auswahl eines oder mehrerer relevanter Objekte
oder mit der Bestimmung eines relevanten Fahrbahnbereichs verbunden. Diese Informatio-
nen nden Eingang in die Umfeldmodelle, die ihrerseits zur Steuerung der Suchbereiche
der Informationsplattform sowie der Sensoren verwendet werden und damit die Erfassung
neuer oder die Verfolgung bekannter Objekte verbessern. Hierzu knnen durch die Umfeld-
modelle auch Detektionsschwellen oder Filterparameter der Sensorik angepasst werden.
Die Wnsche verschiedener Funktionen zur Ansteuerung eines Aktors oder zur Ausgabe
von Informationen ber eine Mensch-Maschine-Schnittstelle werden innerhalb der Funkti-
onskoordination gesammelt und vor der Ausgabe priorisiert. Dieser Prozess dient einerseits
der Vermeidung einer berlastung des Fahrers durch ein berma an Informationen und
14 1. Einleitung
andererseits der Gewhrleistung der Fahrsicherheit durch eine aufeinander abgestimmte
Ansteuerung der Aktorik.
10
1.3 Entwicklungsumgebung
Zur Entwicklung und Validierung der in dieser Arbeit beschriebenen Systemkomponenten
stand eine Mercedes S-Klasse (Typbezeichnung W220) als Versuchsfahrzeug zur Verf-
gung. Dieser Fahrzeugtyp bietet den Vorteil, dass alle zur Realisierung des warnenden
Nachtsichtsystems erforderlichen Fahrzeugsensoren (Radimpulszhler, Lenkwinkelsensor,
etc.) bereits serienmig vorhanden und ber einen CAN
11
-Bus vernetzt sind. Die Inte-
gration weiterer Sensoren und der Mensch-Maschine-Schnittstelle wird, aufbauend auf der
entwickelten Systemarchitektur, in Kapitel 3.2 dargestellt.
Neben dem Versuchstrger wurden statische und bewegte Fahrsimulatoren zur Entwicklung
eingesetzt, da diese, abgesehen von der Reproduzierbarkeit bestimmter Fahrsituationen den
Vorteil bieten, die Fahrerreaktion bei kritischen Fahrsituationen untersuchen zu knnen,
ohne die Probanden einer tatschlichen Gefhrdung auszusetzen.
Im Folgenden wird ein berblick ber die Ausstattung des verwendeten Fahrsimulators des
WIVW
12
(Wrzburger Institut fr Verkehrswissenschaften) gegeben. Zustzliche Details
zur Funktionsweise der Hardware und der Software des Fahrsimulators sind in [38] zu
nden.
Abbildung 1.10: Links: Der Fahrsimulator in Betrieb. Rechts: Innenansicht mit Fahrzeug-
Mock-Up und Projektionsche
Das Bewegungssystem des Fahrsimulators basiert auf einem Hexapod, der die ca. 4 t schwe-
re Kabine mit Mockup und Projektionssystem trgt. Der Hexapod besitzt drei rotatorische
und drei translatorische Freiheitsgrade, mit denen Beschleunigungen und Verzgerungen
bis zu 5 m/s
2
zweistug ber den folgenden Mechanismus dargestellt werden:
1. Fr kurze Beschleunigungen und schnelle Fahrzeugreaktionen wird translatorisch ein
Ruck erzeugt.
13
10
Die Ansteuerung des Motors zur Beschleunigung sollte nur erfolgen, wenn nicht eine der anderen
Funktionen aufgrund einer kritischen Fahrsituation die Bremse ansteuern mchte.
11
CAN: Controller Area Network
12
www.wivw.de
13
Der Ruck ist deniert als die Ableitung der Beschleunigung ber der Zeit.
1.4 Zusammenfassung 15
2. Fr Beschleunigungen lngerer Dauer oder solche mit hherem Betrag wird die Kup-
pel kontinuierlich gekippt (max. Neigung bis +/10
), so dass eine longitudinale

Beschleunigung ber die Erdanziehungskraft dargestellt werden kann.
Als Mockup wird der voll instrumentierte Vorderwagen eines BMW 520i (E39) verwendet,
in dem zustzliche Sensoren zur Erfassung der Bedieneingaben des Fahrers (Gas, Bremse,
Lenkung) verbaut wurden. Der dargestellte Sichtwinkel betrgt 180
und wird auf eine

sphrisch gekrmmte Leinwand in der Kuppel projiziert, Rck- und Seitenspiegel werden
ber LCDs
14
angezeigt. Abbildung 1.10 zeigt jeweils eine Auen- sowie eine Innenansicht
des Fahrsimulators.
Zustzlich zu dem in diesem Kapitel beschriebenen Fahrsimulator mit Bewegungssystem
wurden im Rahmen der iterativen HMI-Entwicklung auch statische Fahrsimulatoren einge-
setzt. Bei allen Simulatoren wurde die gleiche Simulationssoftware verwendet, um eine ein-
fache bertragbarkeit von Streckendenitionen, der Sichtsimulation und der Datenschnitt-
stellen zu ermglichen. Weitere Details zu den statischen Fahrsimulatoren sind, zusammen
mit den Untersuchungsergebnissen, in den Kapiteln 2.3 und 4.2 dargestellt.
1.4 Zusammenfassung
Aus der im Vergleich zu den gefahrenen Geschwindigkeiten meist unzureichenden Sichtweite
der Fahrer bei Nacht ergibt sich eine erhhte Unfallgefahr, insbesondere mit unbeleuchte-
ten Hindernissen. Zur Untersttzung des Fahrers in solchen Situationen nehmen warnende
Nachtsichtsysteme anhand von umfelderfassenden Sensoren eine Bewertung der Fahrsi-
tuation vor und geben bei entsprechender Kritikalitt eine Warnung an den Fahrer aus.
Aufgrund der Komplexitt der realen Umwelt knnen bei der sensorischen Erfassung und
elektronischen Interpretation einer Fahrsituation Fehler entstehen, die im weiteren Verlauf
zur Ausgabe einer Fehlwarnung an den Fahrer fhren und so sein Vertrauen in das System
beeintrchtigen. Die Wahrscheinlichkeit, eine Fehlwarnung zu erhalten, ist im Allgemeinen
umso hher, je frher die Warnung ausgegeben wird.
Durch ein warnendes Nachtsichtsystem soll der Fahrer vor Hindernissen gewarnt werden,
die er zum Zeitpunkt der Warnung noch nicht selbst sehen kann. Insofern spielt sein Ver-
trauen in das System fr den erzielbaren Nutzen eine besonders groe Rolle, da er allein
anhand der Systemausgaben ber eine Reaktion entscheiden muss. Der Stand der Tech-
nik bietet hierzu mehrstuge Warnkonzepte, die dem Fahrer zustzlich zur Warnung ein
Nachtsichtbild der Fahrszene anzeigen, in dem er relevante Hindernisse selbst identizieren
und damit die Systemausgaben besttigen kann. Nachteilig bei dieser Art von Mensch-
Maschine-Schnittstelle ist, dass der Fahrer das Nachtsichtbild verarbeiten und wissensba-
siert interpretieren muss. Dieser Prozess beansprucht ihn zustzlich und verlngert die
Reaktionszeit auf eine Warnung.
Daher soll im Rahmen dieser Dissertation die Weiterentwicklung der bestehenden Sys-
temanstze zu einer Warnungsausgabe erfolgen, die den Fahrer mglichst wenig bean-
sprucht und ihm gleichzeitig eine mglichst umfassende Bewertung der Warnung erlaubt.
Dadurch soll ein Vertrauensverlust in Bezug auf das warnende Nachtsichtsystem trotz
Fehlwarnungen vermieden werden.
14
LCD: Liquid Crystal Display
16 1. Einleitung
Die Schritte zu Systementwicklung folgen einer gngigen Methodik fr technische Syste-
me. Diese Methodik wird fr die Entwicklung der Mensch-Maschine-Schnittstelle nach dem
Stand der Wissenschaft durch einen psychologisch motivierten Modellansatz fr die Auf-
nahme und Verarbeitung von Informationen (Situationsbewusstsein) erweitert. Als Ent-
wicklungsumgebung und zur Validierung der Systemfunktionen durch Nutzertests werden
statische und bewegte Fahrsimulatoren sowie ein Versuchsfahrzeug eingesetzt.
1.5 Ziele und Aufbau der Arbeit
Kern dieser Arbeit ist die Entwicklung eines neuartigen Konzepts fr ein warnendes Nacht-
sichtsystem. Schwerpunktmig wird eine neue Mensch-Maschine-Schnittstelle entwickelt,
die daraufhin optimiert ist, dass der Fahrer einerseits so frh wie mglich gewarnt wird
und andererseits Fehlwarnungen sein Systemvertrauen kaum beeintrchtigen.
Zur Gestaltung der Mensch-Maschine-Schnittstelle wird geklrt, wie die Warninformation
aus ergonomischer und technischer Sicht an den Fahrer ausgegeben werden muss. Dabei
wird ein bislang zur Fahrerwarnung noch nicht untersuchter und somit neuartiger Ansatz
einer peripher wahrnehmbaren Warnungsdarstellung in Kombination mit der Anzeige von
Vertrauensmaen des Warnsystems verfolgt.
Zustzlich werden die zur Realisierung des Gesamtsystems erforderlichen Softwaremodule
fr die Datenverarbeitung der Umfeldsensorik entwickelt. Hieraus entsteht ein warnendes
Nachtsichtsystem, welches den Fahrer erstmals in die Lage versetzt, Fehlwarnungen allein
anhand der Warnungsausgabe von berechtigten Warnungen zu unterscheiden.
Im Rahmen der Dissertation werden bestehende Methoden zur Durchfhrung und Ana-
lyse von Nutzertests fr Fahrerassistenzsysteme weiterentwickelt. Es erfolgt eine explizite
Einbeziehung des Situationsbewusstseins der Fahrer sowie der Interaktion zwischen Fah-
rer und System beim Auftreten von Fehlwarnungen. Die eingefhrte Methodik stellt einen
neuartigen Untersuchungsansatz dar, bei dem objektive und subjektive Merkmale kombi-
niert werden, so dass eine umfassende Bewertung warnender Nachtsichtsysteme anhand
von Probandenversuchen ermglicht wird.
Der Aufbau der Dissertation orientiert sich an der in Kapitel 1.2 beschriebenen Entwick-
lungsmethodik und startet in Kapitel 2 mit der Problemanalyse und der Zusammenstellung
von Nutzeranforderungen an das warnende Nachtsichtsystem. Die Basis hierzu bilden die
Daten aus Unfallanalysen und die Resultate einer Expertendiskussion sowie von Vorun-
tersuchungen, die in einem Fahrsimulator durchgefhrt wurden. Als Ergebnis wird eine
Liste mit den Nutzeranforderungen erstellt, die als Grundlage fr die weiteren Schritte der
Systementwicklung gilt.
Thema von Kapitel 3 ist die Detaillierung der Komponentenarchitektur des warnenden
Nachtsichtsystems und die entsprechende Anpassung der Entwicklungsumgebung. In die-
sem Zusammenhang werden auch die Weiterentwicklungen der Fahrsimulation durch die
Implementierung von Sensormodellen zur Nachbildung der im Versuchsfahrzeug verbauten
Sensorhardware beschrieben. Die in dieser Arbeit entwickelte phnomenologische Vorge-
hensweise zur Sensormodellierung ist bisher unbekannt und zeichnet sich im Gegensatz
zu bestehenden Methoden durch eine hohe Flexibilitt bei der Nachbildung verschiedener
Sensortypen sowie der Mglichkeit der Echtzeitanwendung aufgrund des geringen Rechen-
bedarfs aus.
1.5 Ziele und Aufbau der Arbeit 17
In den Kapiteln 4, 5 und 6 wird die Entwicklung der einzelnen Systemkomponenten des neu-
en Warnsystems dargestellt. Zunchst wird ein iterativer Prozess mit HMI-Experten durch-
laufen, um verschiedene, auf Basis der Anforderungsanalyse generierte HMI-Varianten zu
vergleichen (Kapitel 4). Anhand der aus der HMI-Entwicklung abgeleiteten Anforderun-
gen an die vorgelagerte Verarbeitung der Sensordaten erfolgt die Entwicklung, Analyse
und Implementierung entsprechender Algorithmen zur Umfeldbeschreibung (Kapitel 5)
und -interpretation (Kapitel 6). Die beschriebenen Entwicklungsschritte verbinden also
die genaue Problemformulierung in Form einer Konkretisierung der Anforderungen an das
System mit der Systemsynthese.
Zur Analyse des objektiven und des subjektiven Nutzens des Warnsystems werden in Ka-
pitel 7 zwei im Rahmen dieser Arbeit durchgefhrte Fahrsimulatorstudien beschrieben.
Innerhalb der Studien ndet anhand der neu eingefhrten Untersuchungsmethodik ein Ver-
gleich des entwickelten Systemkonzepts mit einem Kollisionswarnsystem, das den aktuellen
Stand der Technik darstellt, statt.
Die Validierung der Ergebnisse aus dem Fahrsimulator erfolgt in Form einer Experteneva-
luierung des Systems unter realen Bedingungen auf einer Landstrae im Versuchsfahrzeug
und wird in Kapitel 8 dargestellt.
18 1. Einleitung
Kapitel 2
Anforderungsanalyse
Die in Kapitel 1 skizzierte Problemstellung dieser Arbeit, die Kollisionswarnung des Au-
tofahrers bei Nacht, wird in diesem Kapitel nher beleuchtet, um ein Verstndnis fr die
Grundlagen des zu entwickelnden Systems sowie fr mgliche Lsungswege zu erlangen.
Im Zusammenhang mit Fahrerassistenzsystemen ist die Bercksichtigung eines nutzerzen-
trierten Entwicklungsprozesses wichtig, bei dem der Fahrer mit seinen Nutzeranforderun-
gen an das System im Mittelpunkt der Entwicklungsarbeit steht [4]. Wesentliche Informa-
tionsquellen zur Ermittlung der Nutzeranforderungen sind die Befragung von Autofahrern
sowie Expertenwissen, welches sich auf Erfahrungen mit den besonderen Problemstellungen
des Themengebiets sttzt [47].
Bei der Durchfhrung von Befragungen zu den Anforderungen an Kollisionswarnsysteme
stt man jedoch auf das Problem, dass die meisten Fahrer bei ihren alltglichen Fahrten
eher selten einer unmittelbaren Kollisionsgefahr ausgesetzt sind. Auerdem sind sie sich ih-
rer Wahrnehmungsprobleme bei Nachtfahrten und der daraus resultierenden Wnsche an
ein warnendes Nachtsichtsystem nicht unbedingt bewusst. Die Befragung von Autofahrern
zu den Anforderungen an ein warnendes Nachtsichtsystem wrde daher hchstwahrschein-
lich wenig ergiebige Rckmeldungen liefern. Die Beobachtung des Fahrerverhaltens als
Feldstudie zur Ermittlung typischer Verhaltensmuster (z.B. Bremsreaktionen beim Auftre-
ten eines Hindernisses) und zur Ableitung von Anforderungen an die Systemausgaben nach
[47] wrde ebenfalls mangels relevanter Fahrsituationen zu trivialen Ergebnissen fhren.
Um dennoch verwertbare Aussagen zu den Nutzeranforderungen zu erhalten, wurde eine
Stichprobe von Fahrern in einem Fahrsimulator mit verschiedenen Fahrsituationen einer
Nachtfahrt konfrontiert, bei denen sich Hindernisse auf der Fahrbahn befanden. Auf diese
Weise wurden die zuknftigen Nutzer in die Lage versetzt, anhand von reproduzierbaren
Szenarien ihre Wnsche an ein warnendes Nachtsichtsystem zu konkretisieren.
Bei mehreren Durchlufen wurden die Fahrer auch durch prototypisch dargestellte Kollisi-
onswarnungen untersttzt. Diese Warnungen wurden als Ergebnis einer vorangegangenen
Expertendiskussion zur Fahrerwarnung bei Nacht im Fahrsimulator realisiert. Auf diese
Weise konnten die Erwartungen der Nutzer mit den Vorstellungen der Experten konfron-
tiert werden und ein Abgleich der Ansichten erfolgen.
Als Ergebnis der einzelnen Schritte zur Anforderungsanalyse werden am Ende dieses Kapi-
tels die Nutzeranforderungen an den Funktionsumfang des warnenden Nachtsichtsystems
in einer Liste zusammengestellt.
20 2. Anforderungsanalyse
Eine erste objektive Annherung an das Umfeld der Problemstellung erfolgt auf Basis
von Rekonstruktionen nchtlicher Verkehrsunflle. Anhand der beschriebenen Unfallher-
gnge und -ursachen werden die bei den beteiligten Verkehrsteilnehmern vorherrschenden
Informationsdezite zusammengestellt, um daraus erste Anforderungen an die Art der
Fahreruntersttzung durch das warnende Nachtsichtsystem abzuleiten. Auerdem bilden
die verschiedenen Typen von auftretenden Nachtunfllen eine Basis fr die Denition von
Fahrszenarien zur Auslegung und zum Test des Systems.
2.1 Das Unfallgeschehen bei Nacht
Detaillierte Untersuchungen des Unfallgeschehens bei Nacht auf bundesdeutschen Straen
werden regelmig von der BASt (Bundesanstalt fr Straenwesen) durchgefhrt. Laut der
aktuellsten Untersuchung [49] geschahen im Untersuchungsjahr 2002 ca. 28 % aller Unflle
mit Personenschaden nachts. Bei diesen Unfllen waren rund 42 % aller Getteten und 32 %
aller Schwerverletzten zu verzeichnen. Fr das Jahr 2002 bedeutet dies eine Gesamtanzahl
von 2884 Getteten und 29684 Schwerverletzten, die bei Nachtunfllen verunglckt sind.
Unflle mit Personenschaden nden nachts berwiegend innerorts (58,9 %) sowie auerorts
auf Land- und Bundesstraen (32,6 %) statt. Letztere weisen die hchsten Werte fr die
mittlere Unfallschwere
1
auf. Daher wird im Folgenden detaillierter auf die Unfalltypen und
die Unfallursachen bei Nachtunfllen auf Land- und Bundesstraen eingegangen.
Die Polizei teilt Unflle zur statistischen Erhebung zunchst in verschiedene Einstufungen
der Kategorie Unfalltyp ein [25]. Diese Einteilung dient der Beschreibung des Mechanis-
mus, der den weiteren Ablauf einer Koniktsituation nicht mehr kontrollierbar machte und
schlielich zur Kollision fhrte. Eine Beschreibung der im Folgenden verwendeten Unfall-
typen ist in Tabelle A.1 in Anhang A angegeben.
Fr Unflle, die im Jahr 2002 nachts und auerorts ohne Autobahnen (BAB) erfolgten, ist
die Anzahl sowie der prozentuale Anteil der hugsten Unfalltypen und der zugehrigen
Unfallursachen in den Tabellen 2.1 und 2.2 zusammengestellt.
2
Die prozentualen Anteile
der einzelnen Unfalltypen beziehen sich auf das gesamte nchtliche Unfallgeschehen, d.h.,
auf die Summe aus Unfllen auerorts, innerorts und auf Autobahnen.
Unfalltyp Anzahl Anteil
Fahrunfall 15423 53,6 %
Lngsverkehr 6377 31,4 %
Einbiegen/Kreuzen 3860 21,6 %
Abbiegen 2484 20,9 %
berschreiten 478 6,8 %
ruhender Verkehr 135 5,0 %
Sonstige 3878 33,5 %
Tabelle 2.1: Nachtunflle auerorts (ohne BAB) im Jahr 2002 nach Unfalltypen aufge-
schlsselt [49]
1
Die mittlere Unfallschwere wird in [49] als die durchschnittliche Hhe der volkswirtschaftlichen Kosten
fr Personenschden durch Straenverkehrsunflle deniert.
2
Die Gesamtzahl der Unfallursachen in Tabelle 2.2 ist hher als die der Unfalltypen in Tabelle 2.1, da
ein Unfalltyp mehrere Unfallursachen haben kann.
2.1 Das Unfallgeschehen bei Nacht 21
Wie aus Tabelle 2.2 deutlich wird, ist nachts die vorherrschende Unfallursache fr Pkw eine
nicht angepasste Geschwindigkeit, gefolgt von mangelnder Verkehrstchtigkeit hauptsch-
lich aufgrund von Alkoholgenuss
3
. Letzteres trit vor allem auf junge Fahrer zu, die am
Wochenende meist nach dem Besuch einer Diskothek alkoholisiert die Kontrolle ber ihr
Fahrzeug verlieren und von der Fahrbahn abkommen [55]. Derartige Unflle ohne uere
Einsse sind in Tabelle 2.1 als Fahrunfall klassiziert. Sie stellen zwar laut [49] den
Hauptanteil des nchtlichen Unfallgeschehens dar, lassen sich jedoch durch ein warnendes
Nachtsichtsystem nicht adressieren, da das System dem Fahrer die richtige Reaktion nicht
abnimmt, sondern ihm durch die Warnung einen Zeitvorteil bei der Reaktion verschat.
Auerdem liegt der Fokus des Systems auf der Warnung vor Hindernissen auf der eigenen
Fahrbahn und nicht vor Randobjekten, mit denen eine Kollision bei Verlassen der Fahrspur
droht.
Unfallursache Anzahl Anteil
Geschwindigkeit 27865 27,8 %
Verkehrstchtigkeit 17561 17,5 %
Vorfahrt, Vorrang 15797 15,8 %
Abbiegen, Wenden 13561 13,5 %
Abstand 9638 9,6 %
Straenbenutzung 6375 6,4 %
falsches Verhalten der Fugnger 3928 3,9 %
andere Fehler 19937 19,9 %
Tabelle 2.2: Nachtunflle auerorts (ohne BAB) im Jahr 2002 nach Unfallursachen aufge-
schlsselt [49]
Unangepasste Geschwindigkeit lsst sich hug darauf zurckfhren, dass die Verkehrs-
teilnehmer nachts Schwierigkeiten haben, die verschlechterten Sichtbedingungen richtig
einzuschtzen [49]. Fahrstil, Geschwindigkeit und Abstnde zum Vorausfahrenden sind
weitgehend die gleichen wie tagsber. Den Verkehrsteilnehmern sind jedoch oftmals die
im Vergleich zum Tag reduzierten Erkennungsreichweiten nicht bewusst. Dies liegt daran,
dass die Fahrer zur permanent ausgefhrten Fahraufgabe der Spurhaltung lediglich die
Informationen der peripher wahrgenommenen Fahrbahnrnder im Nahbereich verwenden
[45]. Fr die Wahrnehmung der Fahrbahnrnder ist jedoch nachts das Abblendlicht vllig
ausreichend, weshalb die Fahrer hier keine Beeintrchtigung erfahren und nicht wissen, wie
kurz ihre Sichtweite tatschlich ist.
Die bei Nacht meist geringere Verkehrsdichte erlaubt auerdem hug hhere Geschwindig-
keiten als bei Tag, welche Unfallrisiko und Unfallschwere nachteilig beeinussen. Auch sind
sich Radfahrer und insbesondere Fugnger meist nicht darber im Klaren, wie schlecht
sie gesehen werden knnen.
Neben dem Unfalltyp Lngsverkehr, der sich auf Kollisionen mit anderen, bewegten Fahr-
zeugen auf der eigenen oder auf der Gegenfahrspur bezieht, ist auerdem der hohe Anteil
von Kreuzungsunfllen (Unfalltypen Einbiegen/Kreuzen und Abbiegen) aullig. Eine
frhe Warnung vor derartigen Unfllen durch ein warnendes Nachtsichtsystem ist grund-
stzlich mit einer groen Unsicherheit behaftet, da der koniktauslsende Verkehrsteilneh-
mer (vor dem gewarnt werden soll) in der Regel zunchst hlt und dann unvermittelt in
eine Kreuzung einfhrt oder abbiegt und dabei die Vorfahrt missachtet. Sofern sich jedoch
3
Ein weiterer Grund fr mangelnde Verkehrstchtigkeit ist bermdung.
ein querendes Objekt bereits auf der Fahrspur des eigenen Fahrzeugs bendet, sollte der
Fahrer durch das Kollisionswarnsystem darauf hingewiesen werden.
Einen vergleichsweise groen Anteil der nchtlichen Pkw-Unflle beinhaltet der Typ Sons-
tige. Die darunter zusammengefassten Unfalltypen betreen sowohl Wildunflle, als auch
Unflle mit anderen stehenden Hindernissen (auer Fahrzeuge und Fugnger). Der Anteil
von Wildunfllen im Vergleich zu den weiteren sonstigen Unfalltypen spielt insbesondere
in lndlichen Regionen eine bedeutende Rolle.
Als besonderer Problembereich zeigen sich Unflle mit Fugngern aufgrund ihrer beson-
deren Hugkeit und Schwere. Jeder vierte unfallbeteiligte und jeder zweite gettete Fu-
gnger verunglckt nachts. Die Grnde hierfr liegen in der schlechten Erkennbarkeit der
Fugnger durch die Autofahrer sowie bei mehr als der Hlfte der Flle in falschem Ver-
halten des Fugngers aufgrund von Alkoholeinuss.
4
Aus dem Blickwinkel dieser Arbeit betrachtet, lsst sich an das warnende Nachtsichtsys-
tem die Anforderung identizieren, dass der Fahrer durch eine mglichst frhe Warnung
auf Kollisionsgefahren durch Hindernisse auf seiner Fahrbahn aufmerksam gemacht wer-
den sollte, damit er seine Geschwindigkeit der Fahrsituation rechtzeitig anpassen kann.
Auerdem erscheint eine kontinuierliche Warnungsdarstellung, die auch eine Abstandsin-
formation des Hindernisses beinhaltet, nicht nur bei stehenden Hindernissen, sondern auch
bei der Annherung an vorausfahrende Verkehrsteilnehmer sinnvoll, um den Fahrer bei der
Einschtzung und bei der Wahl eines sicheren Abstands zu untersttzen.
Den grten Nutzen zur Reduktion der Unfallzahlen wird ein warnendes Nachtsichtsystem
auf Landstraen erbringen. Dies liegt im Wesentlichen daran, dass Kollisionen mit stehen-
den Objekten und eine damit einhergehende hohe Unfallschwere auf Autobahnen relativ
selten sind.
Der relevante Geschwindigkeitsbereich des eigenen Fahrzeugs zum Betrieb des Systems
betrgt auf Landstraen 80 . . . 100 km/h. Aus den Statistiken lsst sich weiterhin ableiten,
dass Fahrzeuge, die sich auf der eigenen Fahrbahn bewegen oder dort stehen und Menschen
oder Tiere, die die Fahrbahn berqueren, als mgliche Hindernisse eine Rolle spielen. Die
statistisch bedeutsamen Unfalltypen lassen sich damit zu folgenden Basisszenarien fr das
warnende Nachtsichtsystem zusammenfassen:
Kollision mit stehendem Objekt (anderes Fahrzeug / sonstiges Objekt),
Kollision mit querendem Objekt (Fugnger / Tier),
Kollision mit lngsseits (in der Fahrtrichtung) bewegtem Objekt.
Der minimale Kurvenradius, bei dem diese Szenarien auftreten knnen, wird innerhalb
Deutschlands durch die Vorgaben der RAS (Richtlinien fr die Anlage von Straen, [24])
bestimmt. Er liegt fr Landstraen, die mit einer Geschwindigkeit von 80 km/h befahren
werden, bei 250 m.
2.2 Expertendiskussion zur Fahrerwarnung
Die Ergebnisse der Unfallanalysen sowie der Stand der Technik bei warnenden Nacht-
sichtsystemen wurden mit 11 Experten aus den Bereichen Sensorik, Systementwicklung,
4
Das falsche Verhalten besteht hug darin, dass die falsche Fahrbahnseite benutzt wird und die Regel
links gehen vom Fugnger nicht beachtet wird.
2.2 Expertendiskussion zur Fahrerwarnung 23
Displaytechnologie, HMI-Design und Wahrnehmungspsychologie diskutiert. Als Diskussi-
onsleitfaden diente die Fragestellung Wie kann der Fahrer auf nicht bemerkte Hindernisse
aufmerksam gemacht werden?.
Mit dieser Formulierung wurde der Schwerpunkt der Diskussion darauf gelegt, das ber-
sehen von Hindernissen durch den Fahrer zu vermeiden, was im Wesentlichen Szenarien
mit unbeleuchteten, stehenden Objekten betrit. Fehlwarnungen wurden in diesem frhen
Stadium der Anforderungsanalyse gezielt nicht mit in die Diskussion aufgenommen.
Ziel der Expertendiskussion war es, Methoden zu sammeln und zu bewerten, die den Fahrer
nicht nur warnen, sondern seine visuelle Aufmerksamkeit so lenken, dass er das Hindernis
in seinem Sichtbereich mglichst schnell entdeckt. Auf diese Weise soll vermieden werden,
dass der Fahrer durch die Warnung zu sehr vom Verkehrsgeschehen abgelenkt wird.
Aus der Diskussion kristallisierten sich zwei Vorschlge heraus, die von den Experten be-
sonders positiv bewertet wurden:
Die kurzzeitige Darstellung eines Lichtimpulses oder einer Sequenz von Lichtimpul-
sen an einem bestimmten Punkt auf der Frontscheibe, um die Aufmerksamkeit des
Fahrers in die Richtung des Hindernisses zu lenken.
Die permanente Markierung eines Objekts ber ein Symbol, welches in einer virtuel-
len Bildebene so dargestellt wird, dass es sich aus Fahrersicht an der Objektposition
bendet (aber das Objekt nicht verdeckt).
Der Lichtimpuls soll gerade so lange dargestellt werden, dass er vom Fahrer wahrgenommen
wird, aber zu kurz, als dass der Fahrer seinen Blick auf den Lichtimpuls selbst fokussieren
knnte. Dadurch schaut der Fahrer zwar in die Richtung des Lichtimpulses, er wird aber
durch den Impuls selbst nicht vom Verkehrsgeschehen abgelenkt.
Die weiteren Vorteile dieser Variante wurden von den Experten vor allem im technischen
Bereich gesehen. Da die Anzeige direkt auf der Frontscheibe erfolgt und lediglich eine Blick-
zuwendung erzeugen soll, ist im Gegensatz zu einem herkmmlichen Head-Up Display
(HUD) voraussichtlich keine zustzliche Optik zur Erzeugung einer scharfen Abbildung
erforderlich.
5
Gleichzeitig ist es mglich, mit der Warnung ein greres Blickfeld, als bei einem HUD
abzudecken, so dass ein solches HMI auch zur Warnung vor Fugngern in Kreuzungs-
bereichen genutzt werden knnte. Eine mgliche berdeckung des Hindernisses durch ein
permanent dargestelltes Warnsymbol wird bei dem Lichtimpuls vermieden.
Der Alternativvorschlag, die permanente Markierung eines Objekts ber ein entsprechen-
des Symbol, macht hingegen die Anwendung aufwndiger optischer Verfahren erforderlich,
um beim Fahrer den Eindruck zu erwecken, das in der virtuellen Bildebene dargestellte
Warnsymbol befnde sich in der tatschlichen Entfernung des Objekts. Die angesproche-
nen optischen Verfahren mssen dazu in der Lage sein, die physiologischen Mechanismen,
anhand derer ein Mensch Entfernungen visuell abschtzt, so zu manipulieren, dass der
Eindruck entsteht, das Warnsymbol befnde sich weiter entfernt, als es tatschlich ist.
6
Aufgrund der erforderlichen Optik fllt der Blickwinkel, der mit dem HUD zur Darstellung
eines Symbols abgedeckt werden kann, wesentlich kleiner aus, als bei der Darstellung eines
5
Bei gebruchlichen Head-Up Displays fr Pkw-Anwendungen wird ein virtuell erzeugtes Abbild eines
Displays so in die Frontscheibe eingespiegelt, dass es fr den Fahrer knapp oberhalb der Motorhaubenkante
erscheint.
6
Eine Zusammenfassung der hier wirksamen Mechanismen sowie der optischen Grundlagen von Head-
Up Displays in Kraftfahrzeugen ist in Anhang B dargestellt.
kurzen Lichtimpulses auf der Frontscheibe. Allerdings wrde eine Markierung des Hinder-
nisses im Vergleich zum Lichtimpuls nach Meinung der Experten den Fahrer besser bei der
Entdeckung des Hindernisses untersttzen und so die Reaktionszeit minimieren.
Akustische Warnungen wurden im Rahmen der Expertendiskussion auch thematisiert, je-
doch lediglich als zustzliche Warnmodalitt zu einer visuellen Warnung in Betracht gezo-
gen.
Mit den dargestellten HMI-Varianten wurden zwei Extreme des Lsungsraums fr die
visuelle Fahrerwarnung abgesteckt. Der Lichtimpuls stellt eine technisch einfach zu reali-
sierende Lsung dar, die dem Fahrer das notwendige Minimum an Informationen liefert
und ihn gleichzeitig nur in geringem Mae ablenkt. Im Gegensatz dazu erfordert die Dar-
stellung einer permanenten Hindernismarkierung ein optisch aufwndiges HUD, um dem
Fahrer einen grtmglichen Umfang an Informationen ber ein Hindernis zu bermitteln.
Da die Markierung des Hindernisses permanent erfolgt, ist bei dieser Variante eine grere
Tendenz zur Ablenkung des Fahrers zu erwarten.
2.3 Explorative Studie im Fahrsimulator
Laut dem in [26] vorgestellten Phasenmodell der Softwareentwicklung beinhaltet die An-
forderungsanalyse die Durchfhrung von Machbarkeitsstudien. Mit solchen Studien soll in
einem frhen Projektstadium die Realisierbarkeit einer bestimmten Problemlsungsstrate-
gie untersucht werden.
Die in diesem Kapitel beschriebene Fahrsimulationsstudie folgt dieser Vorgehensweise.
Durch die Konfrontation mit verschiedenen Warninformationen in simulierten Nachtfahrsi-
tuationen werden bereits zu Beginn der Entwicklung Rckmeldungen der Fahrer ber den
bentigten und durch visuelle Warnungen realisierbaren Untersttzungsgrad gesammelt.
Insofern ist diese Studie als eine Systemanalyse innerhalb einer ersten Iterationsschleife des
in Kapitel 1.2 dargestellten Prozesses zur Problemlsung zu sehen.
2.3.1 Vorbereitung der Fahrsimulation
Zur Umsetzung der Varianten zur Fahrerwarnung war es wichtig, ber eine Mglichkeit
zu verfgen, eine optisch unverzerrte Warnung innerhalb eines groen Sichtbereichs in
einem HUD darstellen zu knnen. Hierzu wurde ein Mockup entsprechend der Skizze in
Abbildung 2.1 aufgebaut.
Der Proband sitzt bei diesem Aufbau in einem Gestell, welches mit einem Fahrersitz,
einem Lenkrad und einer Pedalerie versehen ist. Zustzlich ist der Aufbau mit einer planen
Frontscheibe aus Plexiglas ausgestattet, in die das auf einer Reektionsche unterhalb
der Scheibe dargestellte HUD-Bild eingeblendet wird. Der virtuelle Bildabstand betrgt
bei dieser Anordnung etwa 1 m zum Fahrerkopf.
Zur Darstellung der ueren Fahrszene ist in einer Entfernung von etwa 2,5 m zum Fahrer
eine Leinwand aufgestellt. Mit dieser Anordnung kann die Markierung von Hindernissen
durch berlagerte Symbole realisiert werden. hnlich einem realen HUD heben sich die
Warnsymbole durch die Darstellung in einer unterschiedlichen Bildebene von der Fahr-
szene ab. Die Fahrszene wurde mit den Beleuchtungsverhltnissen einer Nachtfahrt und
2.3 Explorative Studie im Fahrsimulator 25
Abbildung 2.1: Mockup fr Simulationsuntersuchung
Abbildung 2.2: Warnvarianten zur Anforderungsanalyse, links: Lichtimpuls, rechts: Sym-
boldarstellung
einer auf etwa 50 m begrenzten Sichtweite dargestellt. In Abbildung 2.2 sind die beiden
Warnvarianten aus der Fahrersicht im Fahrsimulator dargestellt.
Der Lichtimpuls wurde als Kreis mit einer konstanten Blickwinkelgre von etwa 1,2
an-
gezeigt, der bei einer Warnung fr 0,1 s in Richtung der Hindernisposition eingeblendet
wurde. Zur Auslegung der Blickwinkelgre wurden im Rahmen dieser Arbeit gesammelte
Erfahrungen aus dem Aufbau eines solchen HUD mittels LED (Light Emitting Diode,
Leuchtdiode) und einer einfachen Optik herangezogen [73]. In Vorversuchen wurden sowohl
die Blickwinkelgre, als auch die Anzeigedauer so angepasst, dass eine gute Wahrnehm-
barkeit in Verbindung mit einer geringen Ablenkung der Warnung gegeben war.
Als Warnsymbol fr die zweite Variante wurde ein Warndreieck dargestellt. Zur Ausgabe
einer Warnung blinkte das Symbol drei Mal an der Position, die aus Fahrersicht die Ob-
jektposition darstellte. Nach dem dritten Aufblinken wurde das Warndreieck permanent
angezeigt und seine Position entsprechend der Hindernisposition nachgefhrt.
Die Gre des Warnsymbols wurde in jedem Rechenzyklus des Fahrsimulators der tatsch-
lichen Hindernisentfernung angepasst. Bei einer Hindernisentfernung von 100 m betrug
die Gre des Symbols aus Fahrersicht 1
. Die Gre wuchs linear mit der perspektivi-

schen Objektgre an und betrug bei 10 m Entfernung 2,3
. In Vorversuchen wurde die

Warnungsdarstellung getestet und optimiert, so dass die Gre des Warnsymbols der per-
spektivischen Gre der dargestellten Hindernisse entsprach. Dadurch sollte ein mglichst
realistischer Eindruck der Annherung an ein Hindernis erzielt werden und der Fahrer
gleichzeitig die Mglichkeit erhalten, aus der Grennderung des Warnsymbols die Kriti-
kalitt der Situation einzuschtzen.
7
Zustzlich wurde bei der Darstellung des Warnsymbols darauf geachtet, zwar eine genaue
Positionsangabe zu ermglichen, das Hindernis jedoch nicht durch das Warnsymbol zu
berdecken.
Gem der in Kapitel 1 erluterten Theorie des Situationsbewusstseins lsst sich der von
den HMI-Varianten gelieferte Informationsumfang bei einer Warnung nach Tabelle 2.3
gliedern.
Ebene
a
Information
Darstellung der Information ber...
Lichtimpuls Symboldarstellung
Wahrneh-
mung
Hindernisentfernung keine Gre des Warnsymbols
Vertikale Positionierung
des Warnsymbols relativ zur
Fahrbahn
laterale Hindernisposition ungefhre Rich-
tungsangabe
permanente Anzeige der
Position
Verstnd-
nis
Position relativ zur eigenen
Fahrspur
keine Horizontale Positionierung
des Warnsymbols relativ zur
Fahrbahn
Geschwindigkeit, mit der
sich das Hindernis annhert
keine Grennderung des Warn-
symbols
Projektion
Kollision mglich
b
nderungsrate der Symbol-
gre
Tabelle 2.3: Informationsumfang der HMI-Varianten bei der Anforderungsanalyse
a
Gemeint ist die jeweilige Ebene des Situationsbewusstseins.
b
Die Ausgabe einer Warnung an sich gibt dem Fahrer die Information, dass die Mglichkeit einer
Kollision besteht. Das System selbst hat die Prdiktion mit der Berechnung der TTC durchgefhrt.
Aus der Tabelle wird deutlich, dass der Lichtimpuls lediglich die Wahrnehmung des Hin-
dernisses untersttzt, whrend die Symboldarstellung dem Fahrer auch das Verstndnis
der Fahrsituation erleichtert, indem ihm eine Zuordnung der Hindernisposition relativ zur
eigenen Fahrspur ermglicht wird. Die Projektion der Fahrsituation in die Zukunft wird
vom Lichtimpuls nur durch die Warnungsausgabe selbst untersttzt: Wird eine Warnung
ausgegeben, so kann davon ausgegangen werden, dass eine Kollision bevorsteht. Insofern
hat der Fahrer nur die Wahl, ob er dem System vertraut oder nicht. Die Symboldarstel-
lung gibt dem Fahrer durch die nderungsrate der Symbolgre die Mglichkeit, seine
Projektion zu detaillieren.
Die Anzeige der Warnungen erfolgte bei einem Objektabstand < 100 m und bei einer
TTC < 6 s. Der Ausdruck TTC bezeichnet die Time To Collision, d.h., die verbleibende
7
Zur Ableitung der verbleibenden Zeit bis zu einer Kollision aus optischen Informationen durch den
Fahrer vgl. [78] und [12].
2.3 Explorative Studie im Fahrsimulator 27
Zeit bis zum Aufprall auf ein Objekt und wird nach Gleichung 2.1 berechnet.
TTC =
d
Obj
v
rel
=
d
Obj
v
Obj
v
Ego
(2.1)
Mit:
TTC : Zeit bis zum Aufprall (Time To Collision) [s]
d
Obj
: Entfernung des Objekts [m]
v
rel
: Relativgeschwindigkeit zwischen eigenem Fahrzeug und Objekt [m/s]
v
Obj
: Geschwindigkeit des Objekts [m/s]
v
Ego
: Geschwindigkeit des eigenen Fahrzeugs [m/s]
Negative Werte der TTC beschreiben den fr die Warnung nicht relevanten Fall, dass sich
das Objekt vom eigenen Fahrzeug entfernt.
2.3.2 Versuchsdesign und Versuchsablauf
Fr die Versuche wurden 34 Mitarbeiter, darunter acht Frauen, der Robert Bosch GmbH
in Leonberg ausgewhlt. Expertenwissen ber das warnende Nachtsichtsystem war keine
Voraussetzung fr die Teilnahme am Versuch, allerdings wurde darauf geachtet, dass die
Versuchspersonen einen technischen Hintergrund hatten, um Einsse des prototypischen
Versuchsaufbaus auf die Zusammenstellung der Nutzeranforderungen gering zu halten.
Die Versuchsteilnehmer besaen im Mittel seit 13 Jahren einen Fhrerschein, das Durch-
schnittsalter lag bei 31,8 Jahren.
Der Versuchsablauf gliederte sich in die folgenden Schritte:
Einfhrung in die Simulationsumgebung und in die Fahrzeugbedienung durch den
Versuchsleiter sowie Befahren einer Eingewhnungsstrecke,
Durchfhrung von je einer Fahrt ohne Warnung, einer Fahrt mit Warnung durch den
Lichtimpuls und einer Fahrt mit Warnung durch die Symboldarstellung,
Ausfllen eines Fragebogens zu den Nutzeranforderungen nach jeder Fahrt, bei der
eine Warnung ausgegeben wurde.
Um die Ergebnisse der Studie auf die grundstzlich von den Nutzern gewnschten Infor-
mationen bei der Warnung zu fokussieren, wurden Systemfehler, wie Fehlwarnungen und
spte Warnungen ausgeklammert. Der whrend der Simulation befahrene Parcours enthielt
sieben stehende Hindernisse
8
bei einer Gesamtlnge von 9 km.
Es wurden drei unterschiedlich verlaufende, aber inhaltlich gleiche Fahrtstrecken verwen-
det. Die Reihenfolge der Strecken und der Fahrten wurde innerhalb des Probandenkollek-
tivs permutiert, um Reihenfolgeeekte zu vermeiden. Die Fahrer wurden vor den Fahrten
gebeten, eine Geschwindigkeit von 100 km/h zu fahren.
Fr eine objektive Auswertung der Fahrerreaktionen wurden die Bettigung der Pedalerie
und die Zeitpunkte der Warnausgaben aufgezeichnet. Mit Hilfe von Fragebgen wurden
die Nutzeranforderungen der Fahrer hinsichtlich der bei einer Warnung gewnschten In-
formationen aufgenommen. Auerdem erfolgte eine Befragung der Fahrer bezglich mg-
licherweise strender Elemente bei der Warnungsdarstellung.
8
Bei den Hindernissen handelte es sich um Tiere, Menschen, Fahrzeuge und nicht berfahrbare Kisten.
2.3.3 Ergebnisse
In Tabelle 2.4 sind die Mittelwerte und die Standardabweichungen der Bremsreaktionszei-
ten fr die beiden Warnvarianten angegeben. Die Reaktionszeiten wurden ab der Ausgabe
einer Warnung bis zur Bettigung des Bremspedals gemessen.
9
Bremsreaktionszeit Mittelwert [s] Standardabweichung [s]
Lichtimpuls 1,36 0,37
Symboldarstellung 1,43 0,36
Tabelle 2.4: Bremsreaktionszeiten der beiden HMI-Ausprgungen
Aus der Tabelle geht hervor, dass die Reaktionszeiten bei beiden Varianten etwa auf dem
gleichen Niveau liegen. Eine Varianzanalyse zeigt keinen signikanten Unterschied. Daraus
lsst sich ableiten, dass die Fahrer bei beiden Systemausprgungen jeweils mit einem auf
Basis der Vorversuche ermittelten relativen Optimum konfrontiert wurden und dement-
sprechend die gleichen Chancen fr eine erfolgreiche Kollisionsvermeidung bestanden.
Die Auswertung der Fragebgen zeigt, dass die Angabe der Hindernisposition gemeinsam
mit einer Warnung von 82 % der Versuchsteilnehmer als wichtig erachtet wurde. In diesem
Zusammenhang besitzen die Entfernung zum Hindernis und seine Position innerhalb der
eigenen Fahrspur den hchsten Informationsgehalt fr die Reaktion der Fahrer, da sie
anhand dieser Angaben ihr Brems- und Ausweichmanver planen knnen.
Nach Meinung vieler Probanden wurde der Lichtimpuls zu kurz und zu frh dargestellt,
bevor das Hindernis tatschlich sichtbar wurde. Dies erklrt, weshalb das Informations-
angebot dieser Warnung nur fr etwa die Hlfte der Versuchsteilnehmer ausreichend war.
Insbesondere die Zuordnung der Warnung zu dem entsprechenden Hindernis war fr die
Probanden schwierig.
Allerdings war oenbar auch eine Entfernungsabschtzung anhand des sich vergrern-
den Warnsymbols bei der zweiten Warnvariante nicht fr alle Versuchsteilnehmer leistbar.
Die Gre des Warnsymbols war vielen Fahrern zu Beginn einer Warnung zu klein und
unaullig, gleichzeitig wurde die teilweise auftretende Verdeckung des tatschlichen Hin-
dernisses durch das Symbol selbst bemngelt. Viele Fahrer sahen auerdem die Gefahr,
dass eine Warnung im primren Sichtfeld zuviel Aufmerksamkeit auf sich zieht und dass
unter Umstnden sogar automatisch in die Richtung der Warnungsanzeige gelenkt wird.
Als Konsequenz bevorzugten die meisten Fahrer eine Warnung auerhalb des primren
Sichtfelds, bei der auf eine direkte und permanente Markierung des Hindernisses verzichtet
wird.
10
Die aus der Studie abgeleiteten Ergebnisse zum Informationsbedarf des Fahrers bei der
Warnung stellt Tabelle 2.5 zusammen. Als Ordnungskriterien werden die drei Ebenen des
Situationsbewusstseins verwendet.
9
Da die Eingewhnungsstrecke ohne Warnsystem gefahren wurde, bentigten die Probanden bei den
Fahrten mit einer der Warnvarianten in der Regel drei bis vier Warnereignisse, um sich an die jeweilige
Warnung zu gewhnen. Daher wurden zur Auswertung der Bremsreaktionszeiten lediglich die letzten drei
Reaktionen einer Fahrt verwendet.
10
Das primre Sichtfeld (primary visual attention lobe, PVAL) entspricht dem Sichtbereich auf die
Fahrbahn, durch den der Fahrer die visuellen Informationen zur Bahnplanung sowie zur Entdeckung von
Hindernissen wahrnimmt [61], [57].
2.4 Ableitung der Nutzeranforderungen 29
Ebene Informationsbedarf des Fahrers
Wahrneh-
mung
Hindernisentfernung
laterale Hindernisposition
Verstnd-
nis
Position relativ zur eigenen Fahrspur
Geschwindigkeit, mit der sich das Hindernis annhert
Klassikation des Hindernisses
a
Projektion
Zeit bis zum Aufprall / Gefhrlichkeit der Situation
Hindernisrelevanz (Brems- / Ausweichmanver erforderlich oder nicht)
Tabelle 2.5: Informationsbedarf bei einem warnenden Nachtsichtsystem
a
Von den Probanden wurden als relevante Klassen stehendes Hindernis oder vorausfahrendes Fahr-
zeug sowie bei stehenden Hindernissen die Gre genannt.
Die Entscheidung, ob reagiert werden soll, spielte bei dieser Untersuchung aufgrund nicht
vorhandener Fehlwarnungen keine Rolle. Als wesentlich fr die Planung der Reaktion auf
die Warnung erscheinen den Fahrern vor allem die Entfernung zum Hindernis sowie dessen
Position innerhalb der eigenen Fahrspur. Diese Informationen mchten sie whrend der
Annherung an ein Hindernis mglichst permanent und detailliert erhalten.
Vor Hindernissen, die so schmal sind oder sich so weit am Fahrbahnrand benden, dass
ihnen auch bei Gegenverkehr problemlos ausgewichen werden kann, sollte aus Nutzersicht
gar nicht gewarnt werden.
2.4 Ableitung der Nutzeranforderungen
In diesem Unterkapitel werden aus den Ergebnissen der Anforderungsanalyse entsprechende
Nutzeranforderungen fr die Systementwicklung abgeleitet.
Zeitpunkt der Warnung
Wird eine Warnung zu frh ausgegeben, haben die Fahrer Probleme, der Warnung ein
entsprechendes Hindernis zuzuordnen, da sie es selbst noch nicht sehen knnen. Ande-
rerseits besteht der Hauptnutzen der Warnung darin, frhzeitig die Geschwindigkeit an
die Gefahrensituation anzupassen und die Planung eines Brems- oder Ausweichmanvers
durchfhren zu knnen, so dass dem Fahrer nach der Warnung noch gengend Zeit hierfr
verbleiben muss. Unter Umstnden herrscht Gegenverkehr, so dass dem Fahrer nur die
Wahl eines Bremsmanvers bleibt.
Abgeleitete Anforderungen: Der Zeitpunkt der Warnung muss so gelegt werden, dass es
mglich ist, die Kollision mit einem stehenden Hindernis nach der Warnung allein durch
ein Bremsmanver zu verhindern. Kann der Fahrer ein Hindernis zum Zeitpunkt der War-
nung noch nicht selbst sehen, so muss die Warnung so lange dargestellt werden, bis der
Fahrer das Hindernis erkannt hat.
Ausgabe der Warnung
Wird eine Warnung im primren Sichtbereich des Fahrers angezeigt, so kann sie einerseits
wichtige Sichtbereiche verdecken und andererseits die Aufmerksamkeit des Fahrers so sehr
auf sich ziehen, dass daraus Fahrfehler resultieren.
Abgeleitete Anforderungen: Die Warnung soll nicht im primren Sichtbereich des Fahrers
angezeigt werden. Ideal ist eine periphere Wahrnehmbarkeit der Warnung, um den Ablen-
kungscharakter gering zu halten. Dennoch muss eine so deutliche Anzeige erfolgen, dass
die Warnung sicher erkannt wird.
Inhalte der Warnung
Zur Planung der erforderlichen Reaktion bentigen die Fahrer Angaben zu Entfernung und
Position des Hindernisses. Je genauer die Information, wo innerhalb der eigenen Fahrspur
sich das Hindernis bendet, desto besser fhlen sich die Fahrer in der Lage, zu reagieren.
Hilfreich ist dabei aus Fahrersicht auch ein Hinweis, wie kritisch die Situation ist, d.h., wie
schnell reagiert werden muss.
Abgeleitete Anforderungen: Die Warnung soll den Fahrer permanent ber die Entfernung
und die Position eines Hindernisses relativ zur eigenen Fahrspur informieren. Auerdem
soll sie eine Information ber die Kritikalitt der aktuellen Fahrsituation beinhalten und
zumindest zwischen stehenden und bewegten Objekten unterscheiden.
Da eine Warnung frh erfolgen soll und die Fahrer relativ fein abgestufte Informationen
zum Abstand und zur Position eines Hindernisses erwarten, wird fr die HMI-Entwicklung
das Hauptaugenmerk auf die visuelle Warnung gelegt. Eine zustzliche akustische Warnung
wird im Rahmen dieser Arbeit nicht betrachtet.
Umgang mit Fehlwarnungen
Von einer detaillierten Analyse der Auswirkungen von Fehlwarnungen wurde im Rahmen
der Anforderungsanalyse abgesehen, da der Fokus auf prinzipielle Anforderungen an die
Darstellung berechtigter Warnungen gelegt wurde.
Bislang existieren kaum Untersuchungen zur Auswirkung von Fehlwarnungen auf die Ak-
zeptanz und das Reaktionsverhalten der Fahrer bei Kollisionswarnsystemen fr Kraftfahr-
zeuge. In [22] nden sich jedoch eine Reihe von Hinweisen fr den Umgang mit fehlerhaften
oder unsicheren Informationen im Zusammenhang mit Situation Awareness. Diese Quelle
wurde daher zur Ableitung wichtiger Anforderungen an das Warnsystem im Zusammen-
hang mit Fehlwarnungen verwendet. Im weiteren Verlauf der Systementwicklung wurden
diese Anforderungen iterativ weiterentwickelt und jeweils den neuen Erkenntnissen ange-
passt.
Laut [22] lernt der Mensch, die Verlsslichkeit von Systemen in Abhngigkeit von bestimm-
ten Nutzensituationen einzuschtzen. Dieses Wissen wird dann wiederum zur Bewertung
der Systemausgaben bei erneutem Auftreten einer bekannten Nutzensituation verwendet.
Die Voraussetzung hierfr ist allerdings, dass der Mensch nicht nur die Systemausgaben
selbst, sondern auch eine permanente Rckmeldung zu der Verlsslichkeit dieser Ausgaben
erhlt. Idealerweise erkennt der Mensch aufgrund der Rckmeldungen Systemzusammen-
hnge und -abhngigkeiten
11
, die er auch zur Ableitung von Vertrauensmaen anwenden
kann.
Abgeleitete Anforderung: Zusammen mit der Warnung sollen dem Fahrer kontinuierlich
Informationen angezeigt werden, die ihn dabei untersttzen, die Verlsslichkeit des war-
nenden Nachtsichtsystems einzuschtzen.
11
Die angesprochenen Systemabhngigkeiten knnen z.B. wetterbedingte Einschrnkungen der Detekti-
onsgenauigkeit eines Sensors sein.
Relevante Szenarien
Nachtunflle mit hoher Unfallschwere ereignen sich hauptschlich auf Landstraen. Dabei
spielen, abgesehen von Unfllen, bei denen der Fahrer mangels Verkehrstchtigkeit von der
Fahrbahn abkommt, Kollisionen mit anderen Verkehrsteilnehmern, die sich in Lngs- oder
Querrichtung bewegen, die Hauptrolle. Dies schliet auch die Annherung an vorausfah-
rende Fahrzeuge in der eigenen Fahrspur ein. Fugnger sind, ebenso wie Tiere, aufgrund
ihrer schlechten Sichtbarkeit, besonders gefhrdet.
Abgeleitete Anforderungen: Das System soll fr den Einsatz auf Landstraen ausgelegt wer-
den. Der relevante Geschwindigkeitsbereich des eigenen Fahrzeugs betrgt 80 . . . 100 km/h.
Der minimale Kurvenradius betrgt 250 m. Hindernisse knnen stehen oder sich lngs,
bzw. quer zur Fahrtrichtung des eigenen Fahrzeugs bewegen. Es sind nur solche Hindernis-
se relevant, die sich innerhalb der Fahrspur des eigenen Fahrzeugs benden. Das System
soll in der Lage sein, alle Hindernistypen zu detektieren, mit denen eine Kollision schwere
Verletzungen oder Schden zur Folge htte.
2.5 Zusammenfassung
Zur Zusammenstellung der Anforderungen wurden drei verschiedene Methoden der In-
formationsgewinnung miteinander kombiniert, um die gesammelten Erkenntnisse auf eine
mglichst breite Basis objektiver und subjektiver Aussagen zu stellen.
In einem ersten Schritt erfolgte die Analyse statistischer Auswertungen von Typen und Ur-
sachen nchtlicher Fahrzeugunflle. Aus den Ergebnissen dieser Analyse lsst sich ableiten,
dass viele Fahrer ihre Geschwindigkeit der nachts reduzierten Sichtweite nicht anpassen.
Dies fhrt bei der Anwesenheit unbeleuchteter, stehender Objekte in der eigenen Fahrspur
oft zu Kollisionen mit einer hohen Unfallschwere. Durch ein warnendes Nachtsichtsystem
sollte daher eine mglichst frhe Warnung erfolgen. Zustzlich erscheint eine Abstandsin-
formation auch zu vorausfahrenden Objekten sinnvoll, um Auahrunflle zu vermeiden.
Das System sollte fr den Einsatz auf Landstraen optimiert werden, da in diesem Umfeld
schwere Kollisionen nach dem oben genannten Muster besonders hug sind.
Als zweite Informationsquelle zur Ermittlung der Anforderungen wurden die Erfahrung
und das Wissen von Experten zur Kollisionswarnung abgefragt. Zusammen mit den Ex-
perten wurden zwei Vorschlge zur gezielten Lenkung der visuellen Aufmerksamkeit des
Fahrers in Richtung eines Hindernisses entwickelt. Die Ideen (kurzzeitige Darstellung ei-
nes Lichtimpulses auf der Frontscheibe / permanente Markierung des Hindernisses mit
einem Symbol, das sich aus Fahrersicht an der Objektposition bendet) wurden in einem
statischen Fahrsimulator umgesetzt und fr eine Machbarkeitsstudie genutzt.
Die Machbarkeitsstudie ist als dritte methodische Sule bei der Analyse der Nutzeranfor-
derungen zu sehen und dient dazu, in einem frhen Entwicklungsstadium Rckmeldungen
von Fahrern ber den durch visuelle Warnungen realisierbaren Untersttzungsgrad zu sam-
meln. Aus den Ergebnissen der Studie geht hervor, dass die Fahrer zusammen mit einer
Warnung vor allem eine Information zur Hindernisentfernung, zur lateralen Hindernispo-
sition in der eigenen Fahrspur und zur Zeit bis zum Aufprall bentigen. Die ersten beiden
Informationen werden zur Planung der erforderlichen Reaktion, die letzte zur Einschtzung
der Kritikalitt der Fahrsituation verwendet.
Aus den gesammelten Ergebnissen wurden am Ende des Kapitels die wesentlichen Nut-
zeranforderungen als Lastenheft fr die Systementwicklung abgeleitet.
Kapitel 3
Systemkonzept
Vergleicht man die drei Stufen der Datenverarbeitung, Object Renement, Situation Re-
nement und Threat Renement, innerhalb der in Kapitel 1.2.2 dargestellten Informati-
onsplattform mit den drei Ebenen des Situationsbewusstseins, Wahrnehmung der Umwelt,
Verstndnis der Situation und Projektion in die Zukunft (Abbildung 1.7), so zeigen sich
deutliche Analogien. Das Object Renement der Informationsplattform entspricht dem-
nach der Wahrnehmung der Umwelt durch den Fahrer (Ebene 1). Das Verstndnis der
Situation (Ebene 2) ist die Voraussetzung fr eine korrekte Prdiktion der Situation in die
Zukunft (Ebene 3). Dies gilt auch fr das Situation Renement, das die Basis fr die Pr-
diktionen der Fahrsituation im Rahmen des Threat Renement bildet. Auch die Steuerung
des Suchbereichs der Sensoren und der Informationsplattform zur Erfassung interessieren-
der Objekte hat ihre Entsprechung im Prozess der bewussten Aufmerksamkeitssteuerung
eines Fahrers.
1
Die dargestellte Systemarchitektur bietet also die Mglichkeit, Informationen passend zu
den drei Ebenen des Situationsbewusstseins fr den Fahrer auszukoppeln und ber ein HMI
anzuzeigen. Ein weiterer Vorteil dieses Konzepts liegt bei geeigneter Wahl der Schnitt-
stellen in der Adaptierbarkeit der Funktion und des HMI an unterschiedliche Informati-
onsplattformen. Zugleich lsst sich durch die Strukturierung eine universelle Schnittstelle
zwischen der Informationsplattform und den Sensoren denieren, die sowohl durch in der
Fahrsimulation simulierte Sensoren als auch durch reale Sensoren im Fahrzeug beliefert
werden kann (vgl. Kapitel 3.1 und 3.2). Die Systemarchitektur nach Abbildung 1.9 dient
daher in leicht abgewandelter Form als Grundlage fr die Entwicklung des Kollisionswarn-
systems im Rahmen dieser Arbeit.
In Abbildung 3.1 ist diese abgenderte Struktur dargestellt, bestehend aus den Hauptmo-
dulen Informationsplattform sowie Informationsausgabe. Die Informationsplattform wird
aus drei Informationsquellen gespeist:
Long-Range-Radarsensor (S
R
),
Mono-Videosensor (S
V
) und
Sensierung des Fahrzeugzustands (S
F
) mittels Radimpulszhler, Lenkwinkelsensor
und Gierratensensor.
Wie auch beim generischen Konzept nach [64], beherbergt die Informationsplattform die
Umfeldbeschreibung und die Umfeldinterpretation, welche beide auf spezische Umfeldmo-
1
Eine bersicht kognitionspsychologischer Erkenntnisse ber die Aufmerksamkeitssteuerung eines Au-
tofahrers sowie einen Ansatz zur Modellierung dieses Prozesses enthlt [93].
34 3. Systemkonzept
Umfeld-
beschreibung
Umfeld-
interpretation
Sensoren /
I-Quellen
Funktion
Informationsausgabe
S
R
S
V
UB UI
Mensch-Maschine-
Schnittstelle
Umfeldmodelle
IP-spezifisch
UI
F
S
F
Umfeldmodell
funktionsspezifisch /
fahrerbezogen
Abbildung 3.1: Architektur fr das warnende Nachtsichtsystem
delle zugreifen.
2
Es ndet keine Rckkopplung der Informationsplattform oder der Umfeld-
modelle auf die Sensoren und damit auch keine gezielte Aufmerksamkeitssteuerung statt.
3
Die Objektdetektion des Radarsensors und die Spurdetektion des Videosensors basieren auf
eigenen, sensorspezischen Umfeldmodellen, die Daten der Fahrzeugsensorik (S
F
) empfan-
gen.
Die Funktion und die Mensch-Maschine-Schnittstelle wurden zu einer Einheit zusammen-
gefasst. Diese Einheit zur Informationsausgabe verwendet ein eigenes, funktionsspezisches
und fahrerbezogenes Umfeldmodell.
4
Die Einfhrung eines fahrerbezogenen Umfeldmodells
fr die Informationsausgabe untersttzt die Auslegung der Mensch-Maschine-Schnittstelle
entsprechend des Informationsbedarfs des Fahrers auf den drei Ebenen des Situations-
bewusstseins. Durch die Kombination von Funktion und Mensch-Maschine-Schnittstelle
wird eine bessere Entkoppelung der Informationsausgabe von der Informationsplattform
bewirkt, die grere Freiheitsgrade bei der HMI-Entwicklung erlaubt. Aus diesem Grund
existiert auch kein Rckkanal von der Funktion zur Umfeldinterpretation.
Die zentrale Schnittstelle zwischen Informationsplattform und Informationsausgabe wird
als Liste mit gelterten Objekten und deren Attributen (z.B. Position, Geschwindigkeit,
Bewegungsrichtung) realisiert. Die Objektauswahl zur Anzeige im HMI erfolgt erst durch
die Funktion in der Mensch-Maschine-Schnittstelle. Die Schnittstelle zwischen Informati-
onsplattform und Informationsausgabe ist damit zwar deutlich grer als bei Fahrerassis-
tenzsystemen blich, sie ist jedoch erforderlich, um die eingangs dieses Kapitels erwhnte
bermittlung von Informationen aller drei Ebenen des Situationsbewusstseins zu ermgli-
chen.
Die Koordination des warnenden Nachtsichtsystems mit anderen Fahrerassistenzsystemen
2
Die spezischen Umfeldmodelle bestehen in Modellannahmen zur Objektbewegung oder zur Beschrei-
bung von Fahrbahnverlufen.
3
Bei der gewhlten Sensorkonguration htte eine Aufmerksamkeitssteuerung des Videosensors zur
Objektdetektion auf Basis von Zielen des Radarsensors Vorteile gebracht, allerdings wurde der Videosensor
in dieser Arbeit ausschlielich zur Detektion der Fahrbahnmarkierungen genutzt.
4
Das funktions- und fahrerspezische Umfeldmodell dient zur geeigneten Umrechnung der Daten der
Informationsplattform in die innerhalb der Funktion verwendeten Gren zur Warnungsdarstellung.
3.1 Integration in die Fahrsimulation 35
ist nicht Thema dieser Arbeit und wurde daher auch beim Systemkonzept ausgeklammert.
Da der Fahrer durch ein warnendes, jedoch nicht eingreifendes Nachtsichtsystem unter-
sttzt werden soll, ist innerhalb der Architektur auch keine Aktorik vorgesehen.
Um die fr die Informationsplattform erforderlichen Umfeldmodelle und Methoden zur Da-
tenassoziation sowie zur Datenprdiktion festzulegen, mssen zunchst die Anforderungen
an die Informationsplattform aus Sicht des HMI und der zugehrigen Funktion konkretisiert
werden. Im Rahmen dieses Prozesses ist der Schritt von den abstrakten Nutzeranforderun-
gen hin zu einer konkreten Ausgestaltung des HMI zu vollziehen.
3.1 Integration in die Fahrsimulation
Um eine realittsnahe Darstellung des Abblendlichts sowie verschiedener bewegter und
stehender Objekte bei Dunkelheit zu ermglichen, war eine Weiterentwicklung der Fahrsi-
mulatorsoftware zur visuellen Darstellung der Fahrbahn und der Umgebung erforderlich.
Die fr die Nachtfahrt simulierte Scheinwerferausleuchtung entspricht der asymmetrischen
Lichtverteilung des Abblendlichts und erlaubt eine Sichtweite von maximal 80 m (vgl.
Abbildung 3.2, das kleine Bild oben rechts zeigt den Fahrer im Mockup).
Abbildung 3.2: Screenshot der simulierten Abblendlichtverteilung
Zur Durchfhrung der Untersuchungen im Rahmen dieser Arbeit wurde der Fahrsimulator
mit Bewegungssystem um ein Head-Up Display erweitert. Basis hierfr bildet ein LCD-
Monitor, dessen nutzbare Bildche etwa 200 150 mm
2
betrgt. Die Anordnung des
Head-Up Displays im Fahrsimulator erfolgte relativ zur primren Sichtlinie des Fahrers in
einem vertikalen Winkel von ca. 5
entsprechend den Vorgaben von [65]

5
und [23]
6
. Zur
Verdeutlichung zeigt Abbildung 3.3 die Einbaulage des Displays, das in der Motorhaube
versenkt ist, whrend eine dnne Glasscheibe als Combiner fungiert. Diese optische An-
ordnung zur Darstellung des Head-Up Displays bot sich als aufwandsrmste Variante an,
bei der unerwnschte Verzerrungen in der Bilddarstellung ausgeschlossen werden konnten.
Oftmals werden Fahrsimulationsuntersuchungen von Fahrerassistenzsystemen angezweifelt,
da die bertragbarkeit der Ergebnisse in die Realitt fragwrdig erscheint. Neben einer
5
[65] hat auf Basis mehrerer Labor- und Fahrzeugstudien optische Auslegungsrichtlinien fr Head-Up
Displays erstellt.
6
In [23] ist die optische Anordnung des EUCLIDE HUD dargestellt.
36 3. Systemkonzept
Abbildung 3.3: Auenansicht des Mockups mit integriertem HUD
ausgereiften visuellen, akustischen und kinesthtischen Nachbildung der Realitt muss auch
eine realittsnahe Darstellung des untersuchten Fahrerassistenzsystems und der entspre-
chenden Sensorik zur Umfelderfassung sichergestellt sein, um die Fahrsimulationsergebnisse
ber die Grenzen des Fahrsimulators hinaus verwerten zu knnen.
Bislang haben sich Arbeiten zur Simulation des Messverhaltens umfelderfassender Sensoren
fr Fahrerassistenzsysteme darauf konzentriert, die den entsprechenden Sensoren zugrun-
de liegenden physikalischen Messprinzipien nachzubilden, vgl. [83] und [56]. In [83] wird
die Implementierung eines Simulationsmodells fr einen Radarsensor beschrieben, welches
auf der Berechnung von zufllig gestrten RCS-(Radar Cross Section)-Werten
7
basiert.
Die auf diese Weise berechneten physikalischen Daten von Sensorobjekten werden der Si-
gnalverarbeitung eines existierenden Radarsensors zugefhrt, um ein realistisches Messver-
halten nachzubilden. Die beschriebene Methode eignet sich jedoch nur fr die Simulation
eines bestimmten Sensortyps, da dessen Algorithmen zur Signalverarbeitung genutzt wer-
den. Zustzlich bestehen aufgrund ihrer Komplexitt und des damit verbundenen Rechen-
aufwands derzeit in aller Regel keine Mglichkeiten fr die Echtzeitanwendung in einem
Fahrsimulator.
Daher wurde im Rahmen dieser Dissertation ein generisches Modell eines Radarsensors
entwickelt, welches es erlaubt, sowohl die Detektion von Objekten, als auch die Messung
kinematischer Objektattribute, wie Position und Relativgeschwindigkeit, in Echtzeit zu
simulieren. Das Messverhalten des Sensormodells wurde anhand realer Messungen des
im Versuchsfahrzeug verbauten Long-Range-Radarsensors LRR2 (vgl. Kapitel 1.1.1) ka-
libriert.
Zustzlich wurde ein weiteres Modell zur Nachbildung des Videosensors fr die Spurde-
tektion entwickelt. Der Einsatz der Sensormodelle erfolgte sowohl zur Entwicklung der
Datenverarbeitungsalgorithmen des warnenden Nachtsichtsystems, als auch zur Untersu-
chung des Systems in zwei Fahrsimulationsstudien.
7
Der RCS (Radarquerschnitt) eines Objekts ist ein Ma fr die Energiemenge, die von diesem Objekt
zu einem Sensor zurckgestrahlt wird, wenn dieser elektromagnetische Wellen im Hochfrequenzbereich
in Richtung des Objekts sendet [43]. Dazu wird durch den RCS die Gre einer reektierenden Flche
angegeben, die ein gleich hohes Radarecho wie das Objekt liefert.
3.1.1 Simulation des Long Range Radarsensors
Das Dateninterface zwischen dem Sensormodell und der Informationsplattform wird von
der Schnittstelle des realen Sensors vorgegeben und enthlt die folgenden Informationen in
Form einer Liste fr 64 Objekte:
digitaler Wert (0, 1), der angibt, ob das betreende Objekt im aktuellen Messzyklus
detektiert wurde und ob die angegebenen Objektattribute gltig sind,
r [m], radiale Entfernung (vgl. Abbildung 5.2),
[rad], Winkel zwischen der Lngsachse des eigenen Fahrzeugs und dem Sensorobjekt
(vgl. Abbildung 5.2),
v
rel
[m/s], Relativgeschwindigkeit des Sensorobjekts zum eigenen Fahrzeug.
In der Realitt wird das vom Objekt zum Sensor zurckgestrahlte Signal durch Regen,
thermische Hintergrundstrahlung oder multiple Reektionen anderer Objekte gestrt [9].
Auerdem kann sich der RCS (s. Funote 7) von Objekten, entsprechend ihrer Position
und der damit dem Sensor zugewandten Flche, whrend einer Messung ndern. Dement-
sprechend variiert entweder das vom Objekt zurckgestrahlte Signal oder es ndern sich
die Strgren des Signals aufgrund von Umwelteinssen. Aus diesem Grund deniert
man die Wahrscheinlichkeit, mit der ein Objekt von einem Sensor detektiert, d.h. von den
Strgren separiert werden kann, als Funktion des Verhltnisses der Signalstrke zum
Hintergrundrauschen, SNR (Signal to Noise Ratio) [9].
Algorithmen zur Sensordatenverarbeitung setzen fr gewhnlich eine Schwelle des SNR-
Werts an, die ein Objekt berschreiten muss, um als detektiert zu gelten. Zur Verdeutli-
chung dieses Prozesses zeigt Abbildung 3.4 das an zwei aufeinanderfolgenden Zeitpunkten
empfangene Frequenzspektrum eines FMCW-Radarsensors mit der Darstellung des SNR-
Pegels (durchgezogene und gestrichelte grne Linie). Die rote Linie markiert eine adaptive
Schwelle, bei deren berschreiten ein Objekt angenommen wird. Die entsprechenden nor-
malisierten Frequenzen sind in dem Diagramm mit einem Kreuz markiert.
8
Normalisierte Frequenz
-50
-40
-30
-20
-10
0
0
-60
50 100 150 200 250
adaptive Schwelle
Schwelle berschritten
P
e
g
e
l

[
d
B
]
Abbildung 3.4: Frequenzspektrum eines FMCW-Radarsensors [84]
8
Der Peak bei der normalisierten Frequenz 0 stammt von der Linse des Radarsensors und wird daher
fr die weitere Verarbeitung nicht bercksichtigt.
38 3. Systemkonzept
Die Lage der adaptiven Schwelle in Abbildung 3.4 deniert zunchst die Wahrscheinlichkeit
P
FA
(FA: Fehlalarm), mit der Peaks, die eigentlich dem Hintergrundrauschen zuzuordnen
sind, als Objekte identiziert werden. ber den SNR-Pegel hngt von der Lage der Schwel-
le jedoch auch die Detektionswahrscheinlichkeit P
D
ab, mit der neue Objekte vom Sensor
erkannt werden. Dieser Zusammenhang ist beispielhaft in Abbildung 3.5 dargestellt.
PD versus SNR (Blackman & Popoli)
P
D
SNR[dB]
0.2
0.4
0.6
0.8
1
10 20 30 40 -10
P
FA
= 10
-8
P
FA
= 10
-5
P
FA
= 10
-2
Abbildung 3.5: Detektionswahrscheinlichkeit in Abhngigkeit vom SNR fr verschiedene
Fehlalarmwahrscheinlichkeiten [9]
Jeder empfangenen Frequenz, die aufgrund ihres SNR-Pegels mit der Detektion eines Ob-
jekts assoziiert wurde, kann nach der in [84] angegebenen FMCW-Radar-Gleichung (Glei-
chung 3.1) eine Gerade aus Relativgeschwindigkeit und Abstand des Objekts zugeordnet
werden. Verschiedene Modulationsrampen fr die ausgesandte Frequenz des Sensorsignals
fhren zu Geraden mit unterschiedlichen Steigungen, deren Schnittpunkte zur Ermittlung
der kinematischen Objektattribute verwendet werden. Ein Beispiel fr diesen Vorgang zeigt
Abbildung 3.6.
f =
2 f
h
c t
M
r
2 f
0
c
v
rel
(3.1)
Mit:
f : Frequenz eines Peaks im Spektrum
f
0
: Trger-Frequenz
c : Lichtgeschwindigkeit
f
h
: Modulationsbereich
t
M
: Modulationsdauer
Ein schwaches Empfangssignal mit einem niedrigen SNR erschwert die Bestimmung der
genauen Lage des Frequenzpeaks im Spektrum. Die hieraus resultierenden Unsicherheiten
wirken sich ber Gleichung 3.1 auch auf die Bestimmung der kinematischen Attribute v
rel
und r aus und fhren zu einer Abweichung der gemessenen von den tatschlichen Werten.
In gleichem Mae verschlechtert sich mit abnehmendem SNR die Qualitt des Winkels
(Denition s. Seite 37), da dieser im modellierten Sensor anhand eines Vergleichs der
Signalstrke verschiedener Antennen ermittelt wird.
Dementsprechend lautet die Anforderung an das Sensormodell, fr vorhandene Objekte
sowohl Messaussetzer, als auch Abweichungen der gemessenen Objektdaten zu simulieren.
Schnittpunkt aller drei
Rampen:
Abstand und Relativ-
geschwindigkeit eines
detektierten Objekts
r [m]
0
-50
-100
100
50
0 20 40 60 80 100 120
f
h1
Rampe 1
f
h2
Rampe 2
f
h3
Rampe 3
v
r
e
l

[
m
/
s
]
Abbildung 3.6: Geschwindigkeit-Abstand Diagramm eines FMCW-Radarsensors [84]
Die erwhnten Fehlerquellen sind direkt oder indirekt vom Signal-Rausch-Verhltnis ab-
hngig. Auf die Simulation von Fehlalarmen aufgrund einer zu niedrigen Detektionsschwelle
wurde verzichtet, da hierzu neben der Berechnung entsprechender Frequenzspektren eine
detailliertere Nachbildung der Signalaufbereitung des Sensors erforderlich gewesen wre.
Als Eingangsdaten werden dem Sensormodell Informationen zu Simulationsobjekten ber-
mittelt, die sich innerhalb eines kegelfrmigen Bereichs vor dem eigenen Fahrzeug ben-
den. Diese Informationen beinhalten den Objekttyp (eindeutige Objektbezeichnung, wie
Baum oder Seitenpfosten), die Entfernung des Objekts in Lngs- und Querrichtung des
Sensorkoordinatensystems sowie die Geschwindigkeit des Objekts.
Modellbildung anhand von physikalischen Zusammenhngen und Heuristiken
Der SNR-Pegel einer Objektmessung lsst sich anhand der Radar-Basisgleichung ermitteln
[9]. Die Faktoren in dieser Gleichung knnen in Form von sensor- und umweltspezischen
Einssen zusammengefasst werden:
SNR =
G
T
RCS
(4 )
2
r
4
K
HW
(3.2)
Die wesentlichen Anteile bestehen aus:
G
T
: Verstrkungsfaktor der Antenne
RCS : Radar Cross Section, objektspezisch
r : radiale Entfernung zum Objekt
K
HW
: von der Sensor-Hardware abhngige Konstante
Der Term (4)
2
r
4
beschreibt die Signaldmpfung aufgrund der kugelfrmigen Ausbreitung
der Radarwellen. Der Faktor r geht in der vierten Potenz ein und ist daher dominant bei
der Bestimmung des SNR-Pegels. Der Verstrkungsfaktor der Antenne, G
T
, hngt ber
das sensorspezische Antennendiagramm vom Winkel ab [84].
40 3. Systemkonzept
Entsprechend Gleichung 3.2 lsst sich der SNR-Wert auf die Faktoren r, und auf ob-
jektspezische Charakteristika zurckfhren:
SNR = f(r, , X
Objekt
) (3.3)
Die Variable X
Objekt
in Gleichung 3.3 steht fr die Abhngigkeit des SNR von den Eigen-
schaften des gemessenen Objekts (RCS). Da sich der RCS nicht nur von Objekt zu Objekt
unterscheidet, sondern auch whrend der Messung eines Objekts aufgrund von Lagende-
rungen variieren kann, wird X
Objekt
im Sensormodell als normalverteilte Zufallsvariable um
den Mittelwert 0 dargestellt. Die Varianz der Zufallsvariablen ist abhngig vom Objekttyp:
X
Objekt
= N(0,
2
Objekt
) (3.4)
Fr die Modellierung des SNR als Funktion von r wurde vom Verfasser empirisch anhand
von Simulationen ein modizierter Ansatz mit einem Polynom zweiten Grades mit einem
zustzlichen Skalierungsfaktor und einem Oset nach Gleichung 3.5 ermittelt:
SNR(r) =
a r
2
+b r +c
d
+e (3.5)
Die radiale Objektentfernung r ergibt sich aus der euklidischen Distanz zwischen Sensor
und Objekt. Die Parameter a bis e sind objektspezisch und werden an realen SNR(r)-
Messungen kalibriert. Der in Gleichung 3.5 dargestellte Ansatz gilt fr eine logarithmische
Berechnung von SNR in dB. Zur Verdeutlichung der Wirkungsweise von Gleichung 3.5
zeigt Abbildung 3.7 den kalibrierten SNR-Verlauf und im Vergleich dazu den gemesse-
nen SNR-Pegel ber der Entfernung in Fahrzeuglngsachse bei gerader Zufahrt auf ein
Metallobjekt.
r [m]
S
N
R

(
n
o
r
m
a
l
i
s
i
e
r
t
)

[
d
B
]
kalibriert
gemessen
Abbildung 3.7: Kalibrierung von SNR(r)
Aus dem Antennendiagramm des modellierten Sensors lsst sich ableiten, dass der SNR-
Pegel auch vom Winkel des Objekts, relativ zur Sensorlngsachse, abhngt. Hierzu zeigt
-30
-20
-10
0
10
20
30
40
0 1 2 3 4 5 6 7 8 9
[]
S
N
R

(
n
o
r
m
a
l
i
s
i
e
r
t
)

[
d
B
]
Entfernung A
Entfernung B
Entfernung C
Entfernung D
Abbildung 3.8: Abhngigkeit des normalisierten SNR-Pegels vom Winkel bei verschie-
denen Entfernungen
Abbildung 3.8 das gemittelte Ergebnis mehrerer stationrer Messungen bei verschiedenen
Positionswinkeln und Entfernungen eines Objekts. Es wird deutlich, dass der SNR-Wert
mit wachsendem abnimmt.
Der in Abbildung 3.8 dargestellte Verlauf ist symmetrisch zur Mittelachse des Sensors
und lsst sich gut mit einem Polynom dritten Grades nach Gleichung 3.6 abbilden. Die
Dmpfung () wird mit diesem empirischen Ansatz analog zu Gleichung 3.5 ber eine
Reihe von Faktoren (g bis i) dargestellt.
() = g ||
3
+h
2
+i || (3.6)
Zustzlich zu der beschriebenen Abhngigkeit SNR() ist am Verlauf der Mittelwerte fr
verschiedene Objektentfernungen in Abbildung 3.8 ein weiterer Eekt erkennbar, der nicht
ber Gleichung 3.5 modelliert wird. Die Objektentfernungen in Abbildung 3.8 steigen von
A nach D an, dementsprechend nimmt der SNR-Pegel bei = 0
von A nach D ab. Bei

= 6
kehrt sich das Verhltnis zwischen SNR-Pegel und Objektentfernung um und bei
der geringsten Distanz A wird der niedrigste Signalpegel gemessen. Die Ursache fr dieses
Messverhalten liegt in Mehrfachreektionen, die in bestimmten Entfernungen auftreten
knnen.
Bei einer Mehrfachreektion empfngt der Sensor nicht nur das vom Objekt zurckge-
strahlte Signal, sondern auch eine Reektion dieses Signals vom Erdboden. Im gnstigsten
Fall verstrken sich die beiden Signale, im ungnstigsten Fall knnen sie sich aufgrund von
Interferenzen auslschen. Da der beschriebene Eekt nicht nur von dem Objektabstand,
sondern auch von der Hhe des Reektionszentrums am Objekt abhngt, ist eine generische
Nachbildung schwierig; von einer Modellierung innerhalb des Sensormodells wurde daher
abgesehen.
Die folgende Gleichung 3.7 fasst die in den Gleichungen 3.3 bis 3.6 dargestellte Model-
lierung des SNR in Abhngigkeit von kinematischen und objektspezischen Attributen
zusammen.
9
SNR(r, , X
Objekt
) = SNR(r) (1 ()) +X
Objekt
(3.7)
9
Aufgrund der logarithmischen Betrachtung der Zusammenhnge zwischen SNR und und den brigen
Parametern zur Sensormodellierung wurde ein Summenansatz gewhlt.
42 3. Systemkonzept
Als Ergebnis zeigt Abbildung 3.9 einen simulierten SNR-Pegel ber der Entfernung bei
der Annherung an ein stehendes Objekt mit = 0
. Zustzlich ist der tatschlich ge-

messene Verlauf von SNR(r) bei der Annherung dargestellt. Der stochastische Beitrag
durch X
Objekt
zum kalibrierten Verlauf von SNR(r) aus Abbildung 3.7 (dort eine Linie)
ist deutlich sichtbar.
r [m]
S
N
R

(
n
o
r
m
a
l
i
s
i
e
r
t
)

[
d
B
]
simuliert
gemessen
Abbildung 3.9: Vergleich des simulierten und des gemessenen Verlaufs von SNR ber r
bei der Annherung an ein stehendes Objekt
Um zu bestimmen, ob der Sensor im aktuellen Rechenzyklus ein Objekt detektiert hat,
wird der simulierte SNR-Wert mit einem festen Schwellenwert verglichen. Auerdem ver-
wendet das Modell den SNR-Pegel, um Abweichungen der gemessenen Objektposition und
-bewegung vom tatschlichen Objektzustand zu simulieren.
Der LRR2-Sensor bestimmt den Winkel eines Objekts durch einen Vergleich der Sig-
nalstrke, die an verschiedenen, parallel angeordneten, Transceiver-Antennen empfangen
wird (vgl. Kapitel 1.1.1). Aus den Messdaten von Annherungen an stehende Objekte
in verschiedenen Winkeln zur Sensorachse lsst sich ableiten, dass eine Modellierung der
auftretenden Abweichungen in der Winkelbestimmung, , am Besten mit einer um 0 nor-
malverteilten Zufallsvariablen gelingt, deren Varianz vom simulierten SNR-Pegel abhngt:
= N(0,
2
) (3.8)
Mit:
= f(SNR) (3.9)
Fr Gleichung 3.9 wird ein Polynom zweiter Ordnung in Abhngigkeit von 1/SNR ein-
gesetzt. Mit diesem Ansatz wird auf Basis von zwei Zufallsgren ein Verrauschen des
gemessenen Winkels berechnet. Obwohl die Vorgehensweise eine Vereinfachung gegenber
der Simulation jeder einzelnen Antenne darstellt, ist sie fr eine heuristische Abbildung
des Messverhaltens ausreichend, wie Abbildung 3.10 mit dem Vergleich gemessener und
r [m]
r

/

r
m
a
x
[
-
]
simuliert
gemessen
r [m]

/

m
a
x
[
-
]
simuliert
gemessen
Abbildung 3.10: Vergleich der simulierten und der gemessenen Abweichung von r und
ber r bei der Annherung an ein stehendes Objekt
simulierter Abweichungen fr r und zeigt. Die Dierenzen r und zwischen den si-
mulierten und den gemessenen Werten sind auf die maximal in der Messung aufgetretenen
Abweichungen bezogen.
Zur Berechnung der Signalverlufe in den Diagrammen wurde eine reale SNR-Messung
in das Sensormodell eingespeist. Durch diese Vorgehensweise ist ein direkter Vergleich
zwischen der tatschlichen und der simulierten Abweichung zwischen Sensordaten und
Referenzmessung anhand des gleichen SNR-Pegels mglich. Die Referenzdaten wurden
durch eine parallel durchgefhrte Positionsmessung mit einem DGPS
10
ermittelt.
Der vom Sensor aufgezeichnete SNR-Verlauf (nicht dargestellt) zeigt eine deutliche Schwan-
kung bei einer Objektentfernung von 106 m. Wie aus Abbildung 3.10 hervorgeht, stimmen
die simulierte und die tatschliche Abhngigkeit der Abweichung der Messgren vom SNR
im gesamten Messverlauf gut berein. Die bereits formulierten Zusammenhnge zwischen
dem SNR-Pegel und der Bestimmung der kinematischen Objektattribute werden dadurch
besttigt.
Da der Winkel im Sensor aus einem direkten Vergleich verschiedener Signalstrken ermittelt
wird, die Berechnung von Abstand und Relativgeschwindigkeit jedoch aus dem Frequenz-
spektrum erfolgt, das weniger empndlich auf Schwankungen des SNR-Pegels reagiert,
sind die Auswirkungen auf die Winkelmessung deutlich hher als bei der Ermittlung von
Abstand und Relativgeschwindigkeit.
3.1.2 Simulation des Videosensors
Der Signaluss bei der Fahrspurdetektion mit einer Videokamera lsst sich nach [27] und
[58] in die folgenden Schritte gliedern:
10
DGPS: Dierential Global Positioning System. Das System besteht aus einem Empfnger fr Positions-
und Zeitdaten von GPS-Satelliten. Dieser Empfnger erhlt per Funk Korrekturdaten fr die Position von
einem zweiten, stationren Empfnger. Auf diese Weise ist eine Positionsbestimmung mit einer Abweichung
von weniger als zwei Zentimeter mglich. Weitere Einzelheiten zu dem verwendeten System sind in [33]
dargestellt.
44 3. Systemkonzept
1. Aufnahme der Fahrbahn durch die Kamera und Umsetzung der Lichtintensitten in
Grauwerte eines Videobilds
2. Extraktion von Kanten aus den Grauwerten und Zuordnung der Kanten zu einzelnen
Fahrspuren
3. Umrechnung der Kantenpunkte vom Koordinatensystem der Kamera in das Koordi-
natensystem des Fahrzeugs und Anpassen der Fahrspurbeschreibung (z.B. Klothoide)
an die detektierten Punkte
Zur Diskussion, welche der mglichen Fehler sinnvollerweise in einem Sensormodell nach-
gebildet werden knnen, werden sowohl die Verarbeitungsschritte, als auch die mglichen
Fehlerquellen im Folgenden nher erlutert.
Der erste Schritt besteht in der optischen Abbildung der Fahrbahn auf den Sensorchip der
Kamera. Mgliche Abbildungsfehler entstehen durch Verzeichnungen in der Kameraoptik;
dies ist insbesondere in Randbereichen des Sichtbereichs zu erwarten und betrit damit in
der Regel nicht die eigene Fahrspur.
Bei der optischen Abbildung der Fahrbahn auf den Videosensor ergibt sich ein weiterer Feh-
ler, wenn die Projektion der Fahrbahnmarkierung insbesondere in greren Entfernungen
aufgrund der limitierten Ausung des Sensors zwischen mehreren Bildpunkten horizontal
wechselt. Die durch diesen Fehler verursachte laterale Abweichung zwischen dem detektier-
ten und dem tatschlichen Fahrbahnverlauf ist umso grer, je weiter der entsprechende
Bildpunkt gegenber dem Ursprung des fahrzeugfesten Koordinatensystems entfernt ist.
Da die beschriebene Fehlerquelle in einem frhen Stadium der Signalverarbeitung zu Ver-
flschungen fhrt, panzen sich die daraus resultierenden Abweichungen bei der Bestim-
mung von Kanten in den darauolgenden Schritten fort und knnen zu entsprechenden
Abweichungen zwischen detektiertem und tatschlichem Spurverlauf fhren.
Im zweiten Schritt des Signalusses werden die von der Videokamera aufgenommenen
Grauwertbilder hinsichtlich vorhandener Gradienten untersucht [27]. Hierfr sucht ein Al-
gorithmus in bestimmten Abstnden, die vom fahrzeugfesten Koordinatensystem in das
Koordinatensystem des aufgenommenen Bilds projiziert werden, Bereiche, an denen DLD-
bergnge (DLD: Dark-Light-Dark) vorhandenen sind. Solche Grauwertbergnge sind
charakteristisch fr weie oder gelbe Spurmarkierungen.
Aus den so ermittelten Bildpunkten werden Ausreier ausgeltert, die denierte Quali-
ttskriterien
11
nicht erfllen. Anschlieend erfolgt im letzten Schritt die Schtzung und
Filterung des horizontalen Verlaufs der Fahrbahnmarkierungen mittels Kalman-Filter, das
als Zustandsraummodell ein Polynom dritten Grades verwendet. In Abbildung 3.11 ist fr
eine Fahrszene das Ergebnis der detektierten Grauwertbergnge und der daraus ermittelte
Verlauf der Fahrbahnmarkierungen als berlagerung in einem Graustufenbild dargestellt.
Fr die Detektion und die Zuordnung der Fahrbahnmarkierungen zu den einzelnen Fahr-
spuren werden in den Algorithmen des Videosensors Modelle hinterlegt, z.B. fr den Fahr-
bahntyp (mehrspurige Autobahn oder Landstrae) oder fr die Fahrbahngeometrie (Fahr-
spurbreite). Sofern diese Modelle in bestimmten Szenarien nicht mit der Realitt berein-
stimmen, knnen sie algorithmische Fehler bei der Fahrspurprdiktion hervorrufen.
Es ist auerdem denkbar, dass die Fahrbahnmarkierungen nur teilweise sichtbar, ver-
schmutzt oder undeutlich sind und wechselnde Beleuchtungsverhltnisse (z.B. Blendung
11
Die Qualittskriterien beinhalten den detektierten Grauwertgradienten und den Abstand zwischen den
Gradienten eines DLD-bergangs im fahrzeugfesten Koordinatensystem.
Abbildung 3.11: Grauwertbergnge und daraus ermittelter Fahrspurverlauf [27]
durch Gegenverkehr) eine Vielzahl von DLD-bergngen erzeugen, die flschlicherweise
von der Spurdetektion mit dem Fahrbahnverlauf assoziiert werden knnen [5]. Beispiele
von Kamerabildern entsprechender Fahrsituationen bei Nacht auf verschiedenen Landstra-
en zeigt Abbildung 3.12.
Abbildung 3.12: Fehlerquellen bei der Spurdetektion [5]
Ohne eine detaillierte Nachbildung der verwendeten Algorithmen und die Einspeisung eines
der realen Fahrbahnaufnahme hnlichen Grauwertbilds lassen sich diese Fehlerquellen nicht
realittsnah reproduzieren. Mit einer solchen Vorgehensweise knnte allerdings lediglich das
spezielle Fehlverhalten der implementierten Algorithmen in einer bestimmten Fahrszene
und nicht ein systematischer, bzw. typischer Fehler der Spurdetektion simuliert werden.
Damit muss nicht nur die Reproduzierbarkeit, sondern auch die Relevanz dieser Fehlerart
in der Realitt angezweifelt werden. Aus diesem Grund wurde davon abgesehen, diese Art
von Fehler in der Fahrsimulation darzustellen.
Im Gegensatz dazu stellt der Fehler, der bei der mehrdeutigen Abbildung der Fahrbahn
auf die Bildpunkte der Kamera auftritt, ein Problem dar, das unabhngig von den ver-
wendeten Algorithmen bei allen Systemen auftritt, die eine videobasierte Spurdetektion
durchfhren.
46 3. Systemkonzept
Daher wurde zur Nachbildung dieser Fehlerquelle fr die Fahrsimulation ein Algorithmus
entwickelt, der die Ausung der Videokamera auf die Fahrbahn projiziert und anhand
einer gleichverteilten Zufallszahl im Intervall [0, 1] die innerhalb der Projektion liegenden
Messpunkte der Fahrbahnmarkierung jeweils um die Breite eines Bildpunkts horizontal
nach links oder rechts verschiebt. Es wird davon ausgegangen, dass der Fehler mit einer
Wahrscheinlichkeit von jeweils einem Drittel in den folgenden Bereichen liegen kann:
Verschiebung um einen Bildpunkt nach links,
keine Verschiebung,
Verschiebung um einen Bildpunkt nach rechts.
Durch das beschriebene Vorgehen wird eine Abweichung der detektierten Fahrspur von
der tatschlichen erzeugt, die mit zunehmender Entfernung ansteigt. Die Auswirkungen
auf die Genauigkeit des vom Videosensor gelieferten Spurverlaufs zeigen sich insbesondere,
wenn die Spurdetektion ber den Detektionsbereich hinaus zur Extrapolation des weiteren
Fahrbahnverlaufs verwendet wird.
12
710 715 720 725 730 735 740 745 750
1.2
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
Zeit [s]
y

[
m
]
x = 50m, ohne Fehler
x = 100m, ohne Fehler
x = 50m, mit Fehler
x = 100m, mit Fehler
Abbildung 3.13: Vergleich der Approximation der videobasierten Fahrspurdetektion mit
Polynomen dritten Grades bei verschiedenen Entfernungen mit und ohne Abbildungsfehler
Zur Verdeutlichung zeigt Abbildung 3.13 einen Vergleich der simulierten lateralen Abwei-
chung der Fahrspurdetektion vom tatschlichen Fahrbahnverlauf (y) in zwei verschiede-
nen Entfernungen (x = 50 m und x = 100 m), wenn ein Polynom dritten Grades an die
Ausgangsdaten der Fahrspurdetektion angepasst und extrapoliert wird. Die Messpunkte
haben in den dargestellten Diagrammen eine Reichweite von 50 m und zur Simulation
des Fehlers wurde eine horizontale Ausung der Kamera von 640 Bildpunkten bei einem
Blickwinkel von 20
angenommen.
12
In Kapitel 6.2 wird ein Verfahren zur Spurplausibilisierung von Objekten vorgestellt, welches die
Extrapolation der Spurdetektion erlaubt und damit die Reichweite des Systems ber den eigentlichen
Detektionsbereich hinaus erhht.
3.2 Integration in den Versuchstrger 47
Ohne Extrapolation (x = 50 m) liegen die Simulationsergebnisse mit und ohne Fehler sehr
nahe beieinander (grne und blaue Linie). Bei einer Extrapolation der Fahrspurdetektion
bis auf 100 m ist eine deutliche Zunahme der Abweichungen mit Fehler (rot) im Vergleich
zum Simulationsdurchlauf ohne Fehler (braun) zu sehen, die Abweichung zum tatschlichen
Fahrbahnverlauf betrgt im Zeitbereich um 723 s sogar das Doppelte des unverflschten
Werts. Die Ursache hierfr liegt im Wesentlichen in der Empndlichkeit der extrapolierten
Polynomapproximation fr geringe Schwankungen in den Eingangsdaten.
Da der diskutierte Fehler mit der Entfernung ansteigt, wird in [80] vorgeschlagen, als Ge-
genmanahme vor der Anpassung an das Polynom eine Gewichtung einzelner Messpunkte
vorzunehmen, so dass weiter entfernte Punkte weniger zum Gesamtergebnis beitragen als
Punkte mit geringem Abstand. Dies fhrt jedoch zwangslug zu einer verminderten Emp-
ndlichkeit des Systems fr nderungen des Fahrbahnverlaufs in greren Entfernungen
und kann daher nur in begrenztem Mae angewendet werden.
3.2 Integration in den Versuchstrger
Die aus Abbildung 3.1 abgeleitete Systemarchitektur fr den Versuchstrger zeigt Ab-
bildung 3.14. Zustzlich zu den Sensoren fr die Erfassung des Fahrzustands (Radim-
pulszhler, Lenkwinkel- und Gierratensensor sowie Sensoren fr Bremsdruck und Fahrpe-
dalstellung) wurden ein LRR2-Sensor zur Objektdetektion und eine Videokamera fr die
Erfassung von Spurmarkierungen in das Fahrzeug integriert.
Radimpulszhler
Lenkwinkelsensor
Gierratensensor
Fahrpedalwert
Fahrerbremsdruck
Display mit HUD-
Optik
mit
Prototypensteuergert
Berechnung der HMI-
Ausgabe
Berechnung des
Algorithmus zur
Spurdetektion
CAN (500kBit/s)
CAN (500kBit/s)
Videosignal
CAN (500kBit/s)
Ethernet
Ethernet Ethernet
Abbildung 3.14: Systemarchitektur im Versuchstrger
Alle Softwaremodule wurden auf einem im Fahrzeug integrierten PC implementiert. Ein
weiterer PC wird zur Verarbeitung der Bilddaten des Videosensors fr die Spurdetektion
verwendet. Die Kommunikation zwischen den Komponenten erfolgt ber einen CAN-Bus.
48 3. Systemkonzept
Grere Datenmengen, wie die Rohdaten des Radar- und des Videosensors, werden ber
eine Ethernet-Verbindung bertragen. Eine detaillierte Beschreibung der Funktionsweise
der einzelnen Systemkomponenten erfolgt in den Kapiteln 4 bis 6.
Um auch bei Dunkelheit eine ausreichende Reichweite der videobasierten Spurdetektion
zu ermglichen, wurde der Versuchstrger mit zustzlichen Infrarotscheinwerfern inner-
halb der serienmigen Lichtmodule ausgestattet, die eine Ausleuchtung der Fahrbahn
mit Fernlichtcharakteristik bewirken. Den kompletten Aufbau des Fahrzeugs zeigt Abbil-
dung 3.15.
Infrarot-
scheinwerfer
Videosensor
Radar-
sensor
Head-Up
Display
Abbildung 3.15: Integration der Sensor- und HMI-Komponenten in den Versuchstrger
Zur Darstellung der HMI-Ausgaben wurde der Versuchstrger mit einem Head-Up Dis-
play ausgestattet. Durch den in Abbildung 3.16 dargestellten prototypischen Aufbau des
Displays konnte mit geringem Aufwand die periphere Wahrnehmbarkeit des HMI in Verbin-
dung mit einer frei programmierbaren Grakdarstellung fr die HMI-Entwicklung realisiert
werden.
Combiner
Display
Spiegel zur
Strahlfaltung
Strahlen-
gang
Abbildung 3.16: Prototypisches Head-Up Display im Versuchstrger
Das HUD besteht aus einem LCD-Monitor und einem Umlenkspiegel auf der Beifahrerseite
des Fahrzeugs. Der Spiegel dient zur Strahlfaltung (vgl. Anhang B) und besteht aus polier-
tem Metall, um Doppelbilder durch Mehrfachbrechung zu vermeiden. Die Einspiegelung
des HUD-Bilds in die Fahrersicht erfolgt durch einen Combiner
13
, der mit einer speziellen
Folie fr einen erhhten Kontrast des HUD-Bilds versehen ist. Mit dieser Anordnung ergibt
sich ein virtuelles Bild auf Hhe der Fahrzeugvorderkante, dessen Bildqualitt mit der des
HUD im Fahrsimulator vergleichbar ist.
13
Combiner: optisches Element eines Head-Up Displays zur Einspiegelung des Displaybilds in Richtung
Fahrer. Meist werden hierzu teildurchlssige Spiegel oder die Frontscheibe selbst verwendet.
3.3 Zusammenfassung
Im Rahmen der Systemkonzeption wurde die in Kapitel 1.2.2 beschriebene generische Sys-
temarchitektur fr das warnende Nachtsichtsystem konkretisiert. Daraus ergaben sich als
wesentliche Komponenten die Sensoren, die Umfeldbeschreibung zur Verarbeitung der de-
tektierten Objekte, die Umfeldinterpretation zur Ermittlung des Gefhrdungspotenzials,
das von den detektierten Objekten ausgeht sowie die Mensch-Maschine-Schnittstelle mit
der vorgelagerten Funktion zur Objektauswahl und Ausgabe der Warnung an den Fahrer.
Den Schwerpunkt dieses Kapitels bildete die Anpassung der Entwicklungsumgebungen
Fahrsimulation und Versuchstrger an die besonderen Erfordernisse des warnenden
Nachtsichtsystems. Die Fahrsimulation wurde um Sensormodelle erweitert, die in der Lage
sind, charakteristische Fehler bei der Objekt- und Spurdetektion realittsnah zu simulie-
ren. Diese Erweiterung ist wichtig, um eine auf die Realitt bertragbare Bewertung der
Systemfunktionen im Fahrsimulator zu ermglichen. Das im Rahmen dieser Dissertati-
on neu entwickelte Konzept zur Sensorsimulation folgt zwar grundlegenden physikalischen
Prinzipien des jeweiligen Sensors, orientiert sich jedoch im Kern an phnomenologischen
Zusammenhngen. Dadurch wird der Rechenaufwand minimiert, was Bedingung fr einen
Echtzeit-Einsatz in der Fahrsimulation ist. Auerdem lassen sich die Modelle anhand von
Messungen auf ein bestimmtes Messverhalten kalibrieren, so dass eine Anpassung an ver-
schiedene Sensortypen leicht mglich ist.
Fr den Versuchstrger wurde eine fahrzeugspezische Systemarchitektur erstellt, anhand
der die Integration und Vernetzung von Sensorik und Datenverarbeitung erfolgte. Sowohl
der Fahrsimulator als auch der Versuchstrger wurde mit einem prototypischen Head-Up
Display ausgerstet, um vergleichbare Bedingungen fr die Warnungsausgabe zu schaen.
50 3. Systemkonzept
Kapitel 4
Entwicklung der
Mensch-Maschine-Schnittstelle
Die in diesem Kapitel beschriebene Entwicklung der Mensch-Maschine-Schnittstelle ist in
die Entwicklungsmethodik (vgl. Kapitel 1.2) als eigene Iterationsschleife der Schritte Pro-
blemanalyse und Problemformulierung (Kapitel 4.1), Systemsynthese und Systemanalyse
(Kapitel 4.2) sowie Beurteilung (Kapitel 4.3) eingebettet. Diese Vorgehensweise bildet einen
kompletten Entwicklungszyklus fr die Komponente HMI ab.
Ausgehend von der entwickelten Schnittstelle werden die notwendigen Eingangsgren so-
wie deren erforderliche Przision ermittelt. Hieraus ergibt sich die Auswahl der in den
Kapiteln 5 und 6 dargestellten Methoden zur Datenverarbeitung innerhalb der Informati-
onsplattform.
4.1 Ideengenerierung mittels Brainstorming
Um die Ausgestaltung der Mensch-Maschine-Schnittstelle fr das warnende Nachtsichtsys-
tem zu konkretisieren, wurde ein Brainstorming mit sechs Experten aus den Bereichen
Psychologie, HMI-Gestaltung, Sensordatenverarbeitung und Systementwicklung durchge-
fhrt.
Das Ziel des Brainstorming wurde als die Suche nach HMI-Lsungen zur Fahrerwarnung
vor Auahrunfllen formuliert. Ergebnis sollten mglichst konkrete Gestaltungsmerkmale
fr HMI-Varianten sein.
4.1.1 Vorbereitung des Brainstorming
Da gem der Systemarchitektur in Abbildung 3.1 die Mensch-Maschine-Schnittstelle und
die Funktion eine Einheit bilden, wurde fr das Brainstorming eine grobe Denition der
Schnittstelle zwischen der Informationsplattform und der Informationsausgabe in Form
einer Liste von detektierten Objekten vorgenommen. Fr jedes Objekt werden von der
Informationsplattform drei Attribute berechnet und ausgegeben:
52 4. Entwicklung der Mensch-Maschine-Schnittstelle
Existenzwahrscheinlichkeit eines Objekts,
Spurplausibilitt eines Objekts fr die eigene Fahrspur, die Gegenfahrbahn (linke
Fahrspur) sowie fr den Bereich rechts neben der eigenen Fahrspur (rechte Fahrspur),
Kollisionswahrscheinlichkeit eines Objekts, z.B. gebildet aus der TTC.
1
Die beiden ersten Werte stellen Vertrauensmae dar. Die Anzeige solcher Werte zusam-
men mit der Warnung kann den Fahrer laut [22] bei der Einschtzung der Verlsslichkeit
einer Warnung untersttzen. Dadurch soll ein Vertrauensverlust des Fahrers in das System
aufgrund von Fehlwarnungen und als Folge eine Verschlechterung seiner Reaktion auf be-
rechtigte Warnungen vermieden werden. Mit der Einbindung dieser Informationen in die
HMI-Darstellung wird auf die in Kapitel 2.4 formulierte Nutzeranforderung zum Umgang
mit Fehlwarnungen eingegangen.
Zur Festlegung der Vertrauensmae wurde auf die Betrachtung der physikalischen Vor-
gnge bei der Objektdetektion im Radarsensor zurckgegrien. Da sich der Messprozess
eines Radarsensors stochastisch beschreiben lsst, kann aus einer Reihe von Messzyklen die
Wahrscheinlichkeit fr die tatschliche Existenz eines Objekts an einer bestimmten Position
errechnet werden (Existenzwahrscheinlichkeit). Details zu der entsprechenden Vorgehens-
weise sind in Kapitel 5.3 und in Anhang F dargestellt.
Die Existenzwahrscheinlichkeit eines Objekts gibt an, wie wahrscheinlich es ist, dass dieses
Objekt tatschlich an der von der Informationsplattform auf Basis der Sensordaten fr
einen bestimmten Zeitpunkt errechneten Position existiert. Sie steigt mit der Anzahl der
Messzyklen, in denen ein Objekt detektiert wurde, an.
Die Spurplausibilitt leitet sich aus der detektierten Objektposition relativ zum angenom-
menen Fahrspurverlauf ab. Je deutlicher sich ein Objekt innerhalb der eigenen, linken oder
rechten Fahrspur bendet, desto hher ist die Plausibilitt eines Objekts fr diese Fahrspur.
Die Ergebnisse der Anforderungsanalyse zeigen, dass bei einer Kollisionswarnung eine ge-
naue laterale Positionsangabe des Hindernisses aus Fahrersicht zwar fr die Planung ei-
nes Ausweichmanvers von Interesse ist, jedoch keine primre Anforderung an das HMI
darstellt. Entsprechend der in Kapitel 2 abgleiteten Szenarien knnen sich relevante Hin-
dernisse fr das warnende Nachtsichtsystem innerhalb der eigenen Fahrbahn, links davon
(Gegenverkehr) oder rechts davon (Fugnger / Tiere) benden. Hieraus ergibt sich als
grobes, aber gerade noch tolerierbares Raster fr die Warnungsausgabe die Berechnung ei-
ner Spurplausibilitt fr die drei Bereiche eigene Fahrspur Gegenfahrbahn und rechts
neben der eigenen Fahrspur, wobei fr alle Bereiche die gleiche Spurbreite angenommen
wird. Alle Vertrauensmae sind im Wertebereich [0 . . . 1] deniert.
Neben den Vertrauensmaen wurde fr jedes detektierte Objekt ein Wert deniert, der eine
Systemeinschtzung zur Kollisionswahrscheinlichkeit mit diesem Objekt angibt. Durch die
Anzeige der Kollisionswahrscheinlichkeit soll dem Fahrer eine Hilfestellung fr die Projek-
tion der aktuellen Fahrsituation in die Zukunft gegeben werden. Dies entspricht der dritten
Ebene der Situation Awareness (vgl. Kapitel 1.2.1).
Der Wunsch des Fahrers nach der Anzeige einer solchen Information zusammen mit der
Warnanzeige war im Rahmen der Anforderungsanalyse deutlich geworden. Auerdem wirkt
sich die Anzeige von Warninformationen der Ebene 3 des Situationsbewusstseins nach [22]
verkrzend auf die Reaktionszeit des Fahrers aus, da dadurch sein kognitiver Aufwand zur
Prdiktion der Situation verringert wird.
1
TTC: Time To Collision. Die Berechnung ist in Kapitel 2.3 angegeben.
4.1 Ideengenerierung mittels Brainstorming 53
Eine Beschreibung der implementierten Algorithmen zur Berechnung der Kollisionswahr-
scheinlichkeit erfolgt in Kapitel 4.2, die Vorgehensweise zur Ermittlung der Vertrauensmae
wird in Kapitel 5 fr die Objektdetektion und in Kapitel 6 fr die Spurzuordnung darge-
stellt.
4.1.2 Ablauf des Brainstorming
Die Entwicklung der neuen HMI-Lsungen gliederte sich in zwei Teile. Im ersten Teil wur-
den die Ideen unter Bercksichtigung der bereits beschriebenen Einschrnkungen generiert.
Im zweiten Teil fand eine Bewertung und Auswahl von Ideen sowie die weitere Ausformu-
lierung dieser Vorschlge statt.
Zur Ideenndung wurde die in [26] als Brainwriting beschriebene schriftliche Variante des
Brainstorming angewendet, bei der jeder Teilnehmer seine Idee zur Problemstellung auf ei-
nem Blatt Papier skizziert. Anschlieend wird dieses Blatt an den Nachbarn weitergereicht,
um zustzliche Denkanste fr weitere Ideen zu geben.
Aus den auf diese Weise insgesamt 36 zusammengetragenen Ideen wurden von den Teil-
nehmern im Rahmen einer Diskussion zwei zur weiteren Ausarbeitung ausgewhlt. Fr
diese Ausgestaltung wurden zwei Warnsituationen mit entsprechenden Objektdaten in der
Schnittstelle zur Informationsplattform vorgegeben, bei denen sich aufgrund der Objekt-
konstellationen eine erschwerte Unterscheidbarkeit zwischen Objekten innerhalb und auer-
halb der eigenen Fahrspur ergab. Diese Unterscheidbarkeit sollte im Rahmen der weiteren
Ausgestaltung bercksichtigt werden.
2
Fr die Fahrsituationen und die ausgewhlten HMI-Lsungen sollten im Plenum die fol-
genden Fragen geklrt werden:
Wie untersttzt das HMI die Wahrnehmung von Objekten durch den Fahrer?
Wie untersttzt das HMI die Einordnung der Situation hinsichtlich Gefhrlichkeit
und Handlungsbedarf durch den Fahrer?
Welche Rolle spielt dabei die Darstellung der Vertrauensmae?
Die ersten beiden Fragen forderten die Experten dazu auf, sich mit den einzelnen Ebenen
des Situationsbewusstseins bei der HMI-Ausgestaltung zu beschftigen. Die letzte Frage
diente der expliziten Einbeziehung der Vertrauensmae in die berlegungen.
4.1.3 Ergebnisse des Brainstorming
Die im Rahmen des Brainstorming gefundenen Ideen lassen sich grob in zwei Gruppen
unterteilen, wobei die erste Gruppe die Fahrbahn als Bezugssystem verwendet, um darauf
Objekte oder Symbole darzustellen und die zweite Gruppe die Warninformationen in Form
von zwei- oder dreidimensionalen Diagrammen in Verbindung mit darin positionierten
Symbolen wiedergibt.
2
Die vorgegebenen Warnsituationen beinhalteten ein stehendes Hindernis in der eigenen Fahrspur und
stehende Randobjekte mit denierten Existenzwahrscheinlichkeiten, Spurplausibilitten und Kollisions-
wahrscheinlichkeiten. Whrend die erste Warnsituation hinsichtlich der Spurzuordnungen und der Exis-
tenzwahrscheinlichkeit eindeutig war, wurden die entsprechenden Werte im zweiten Szenario unschrfer
gestaltet, z.B., indem ein Randobjekt und das Hindernis teilweise als innerhalb und als auerhalb der
Fahrbahn bendlich plausibilisiert wurden.
Eine Anzeige der Fahrbahn tritt entweder in Kombination mit Objekten (abstrahiert als
Quader) oder mit bewegten Symbolen (Pfeil, Ausrufungszeichen) auf. Die Vorschlge zur
Kodierung der Eingangsgren Existenzwahrscheinlichkeit, Spurplausibilitt und Kollisi-
onswahrscheinlichkeit fasst Tabelle 4.1 zusammen.
Eingangsgre Kodierung
Existenzwahrscheinlichkeit
Transparenz der Objekte,
Helligkeit der Objekte,
Anzahl der Objekte
Spurplausibilitt
Positionierung der dargestellten Objekte relativ zur eigenen
/ linken / rechten Fahrspur aus der Fahrerperspektive oder aus
der Vogelperspektive,
Kombiniert mit der Existenzwahrscheinlichkeit als Transpa-
renz der Objekte
Kollisionswahrscheinlichkeit
Gre der Objekte,
Farbe der Objekte,
Geschwindigkeit, mit der sich Objekte (perspektivisch) ann-
hern
Tabelle 4.1: Kodierung von Eingangsgren im HMI in Verbindung mit der Darstellung
der Fahrbahn
Bei der zweiten Gruppe von Ideen, im Folgenden als Diagrammdarstellung bezeichnet,
wird hug die horizontale Diagrammachse zur Angabe der Spurplausibilitt verwendet.
Tabelle 4.2 stellt die weiteren HMI-Merkmale dieser Gruppe zusammen.
Aullig ist, dass in beiden Gruppen die Transparenz und die Leuchtdichte der Symbo-
le zur bermittlung der Existenzwahrscheinlichkeit und damit des sensorbezogenen Ver-
trauensmaes verwendet werden. Die Wirksamkeit dieser Elemente zur bermittlung der
Verlsslichkeit von Sensorinformationen wurde auch durch Studien fr die Anwendung in
Militrugzeugen nachgewiesen [60].
Eingangsgre Kodierung
Transparenz der Symbole,
Unschrfe der Symbole
Spurplausibilitt
Position der Symbole auf der horizontalen Diagrammachse,
der Koordinatenursprung bendet sich links unten.
Kleine Werte - linke Fahrspur,
Mittlere Werte - eigene Fahrspur,
Groe Werte - rechte Fahrspur
Kollisionswahrscheinlichkeit
Gre der Symbole,
Farbe der Symbole
Position der Symbole auf der vertikalen Diagrammachse, der
Koordinatenursprung bendet sich links unten.
Kleine Werte - niedrige Kollisionswahrscheinlichkeit,
Hohe Werte - hohe Kollisionswahrscheinlichkeit
Tabelle 4.2: Kodierung von Eingangsgren im HMI ohne Darstellung der Fahrbahn
Aus jeder der beiden Gruppen wurde, entsprechend des in Kapitel 4.1.2 dargestellten Ab-
laufs, je eine Lsung zur weiteren Detaillierung ausgewhlt. Ein wichtiges Kriterium zur
4.1 Ideengenerierung mittels Brainstorming 55
Auswahl war, ob eine Idee gem den Nutzeranforderungen die Darstellung einer Hinder-
nisentfernung, sowie einer Hindernisposition relativ zur eigenen Fahrspur ermglicht (vgl.
Kapitel 2.4).
Abbildung 4.1: HMI-Variante mit perspektivisch dargestellter Fahrbahn
Die erste ausgewhlte Variante zeigt einen perspektivischen Fahrbahnverlauf, bei dem die
einzelnen Spuren aueuchten, wenn ein Objekt mit einer Spurplausibilitt fr die jeweilige
Spur gemessen wurde. Die Existenzplausibilitt gibt, zusammen mit der Spurplausibili-
tt fr ein bestimmtes Feld, die Transparenz dieses Felds vor (bei geringen Werten hohe
Transparenz). Zur Anzeige der Kollisionswahrscheinlichkeit werden die einzelnen Felder
eingefrbt. Die Farbe Rot bedeutet eine hohe Kollisionswahrscheinlichkeit, Gelb eine mitt-
lere und Grn eine geringe. Eine Skizze dieses Lsungsvorschlags ist in Abbildung 4.1
dargestellt.
Die zweite Variante stellt drei vertikale Balken dar. Jeder Balken steht fr einen Fahrbahn-
abschnitt (links / mittig / rechts). Die Kollisionswahrscheinlichkeit ist einerseits durch die
Hhe der Balken und andererseits durch die Farbe kodiert (Rot - hohe Kollisionswahrschein-
lichkeit, Gelb - mittlere Kollisionswahrscheinlichkeit, Grn - niedrige Kollisionswahrschein-
lichkeit). Die Existenzplausibilitt und die Spurplausibilitt denieren die Transparenz der
Balken. Abbildung 4.2 zeigt die entsprechende Skizze dieser Diagrammversion.
Linke Spur /
Gegenfahrbahn
eigene Spur
Rechte Spur /
Randstreifen
Abbildung 4.2: HMI-Variante mit Balkendarstellung
Da die beiden Varianten Rohentwrfe darstellten, war eine Evaluierungs- und Weiterent-
wicklungsphase notwendig. Hierzu wurden mehrere Iterationsschleifen durchgefhrt, bei
denen eine Bewertung und Modizierung der HMI-Prototypen erfolgte.
4.2 Weiterentwicklung der HMI-Prototypen
Die ausgewhlten HMI-Varianten wurden in einem statischen Fahrsimulator dargestellt.
Eine der Nutzeranforderungen an das HMI betrit die periphere Wahrnehmbarkeit der
Warnung (vgl. Kapitel 2.4). Um zu testen, wie gut die Prototypen diese Anforderung
erfllen, wurde das Display zur Anzeige der HMI-Varianten vertikal verstellbar angebracht.
Die Versuchsanordnung mit Lenkrad, verstellbarem Display zur Warnungsdarstellung und
der Leinwand zur Anzeige der Fahrszene ist in Abbildung 4.3 dargestellt.
Abbildung 4.3: Versuchsaufbau zur Weiterentwicklung der HMI-Prototypen
Nach [15] lassen sich bereits beim Einsatz von fnf Versuchspersonen 80 % aller ergo-
nomischen Schwachstellen eines Fahrerassistenzsystems ermitteln, wenn die Analyse des
Systems auf Basis realistischer Aufgaben und vor dem Hintergrund von ergonomischem
Grundwissen erfolgt. Daher wurden die Teilnehmer des Brainstorming gebeten, die in der
Fahrsimulation realisierten Lsungen zu bewerten und iterativ weiterzuentwickeln.
3
Zur Bewertung der HMI wurde ein Rundkurs gefahren, bei dem sich stehende und bewegte
Hindernisse auf der eigenen Fahrbahn und am Fahrbahnrand befanden. Auerdem wurde
an einigen Stellen Gegenverkehr dargestellt. Auf diese Weise konnte eine mglichst groe
Bandbreite der fr das warnende Nachtsichtsystem relevanten Szenarien abgedeckt werden.
Die Objektdetektion wurde durch das in Kapitel 3.1.1 beschriebene Sensormodell simuliert.
Um die Komplexitt fr erste ergonomische Bewertungen in Grenzen zu halten, wurde
darauf verzichtet, fr die Expertenevaluierungen die Kursprdiktion und deren Fehlerquel-
len im Detail in der Fahrsimulation nachzubilden. Daher fand die Berechnung der Spur-
plausibilitt fr die detektierten Objekte anhand der (unverrauschten) Streckendaten der
Fahrsimulationssoftware statt.
Die Sichtweite der Fahrer wurde durch eine Fahrbahnausleuchtung entsprechend einer
Nachtfahrt mit Abblendlicht auf 80 m begrenzt (vgl. Kapitel 3.1).
3
Eine weitere Analysephase nach dem gleichen Schema fand in dem in Kapitel 3.1 beschriebenen Fahr-
simulator mit Bewegungssystem und eingebautem HUD statt. Dabei wurden allerdings nicht grundlegende
Prinzipien zur peripheren Warnungsdarstellung getestet, sondern eine bereits ausgestaltete HMI-Lsung
weiter optimiert. Neben Ergonomie- und HMI-Experten wurden zu diesen Versuchen auch Probanden
hinzugezogen, die mit einem derartigen Warnsystem bisher nicht in Berhrung gekommen waren.
4.2 Weiterentwicklung der HMI-Prototypen 57
Whrend der Fahrten wurden die Probanden gebeten, in Form des lauten Denkens Kom-
mentare zur Wahrnehmbarkeit der HMI-Ausgaben, zu ihrem Verstndnis der Inhalte und
zu ihren Reaktionen darauf abzugeben. Diese Vorgehensweise wird auch in [47] angewandt,
um Denkmuster von Fahrern bei Einparkvorgngen aufzunehmen.
Als Richtschnur fr die Angaben der Fahrer zu den HMI-Ausgaben dienten die drei Ebenen
des Situationsbewusstseins (Wahrnehmung, Verstndnis und Projektion in die Zukunft),
in die die Kommentare eingeordnet wurden. Nach einem Durchgang wurden die uerun-
gen mit den Experten durchgesprochen und Verbesserungsmglichkeiten abgeleitet. Diese
Empfehlungen wurden schrittweise in das HMI-Design eingearbeitet und bei weiteren Si-
mulatorfahrten geprft.
Im Rahmen der Tests stellte sich heraus, dass sich die Balkenanzeige fr eine periphere
Wahrnehmbarkeit nicht eignet. Abstufungen in der Kollisionswahrscheinlichkeit oder in
den Vertrauensmaen werden bei der Balkenanzeige auch dann nicht wahrgenommen, wenn
diese nahe dem fovealen Sichtbereich
4
angebracht wird. Es zeigte sich auerdem, dass die
Balkenanzeige eine intuitive Interpretation der HMI-Informationen erschwert. Den Fahrern
fehlt nach der generellen Warnung (durch einen hohen, roten Balken) die Information, wo
sich das Hindernis bendet, vor dem gewarnt wird, um es in der Fahrszene zu lokalisieren.
Die Balkenanzeige liefert hierfr lediglich eine Spurzuordnung, aber keinen Hinweis zur
Entfernung des Hindernisses. Dieses Ergebnis besttigt die entsprechende Anforderung
nach den Inhalten der Warnung aus Kapitel 2.4.
Laut [86] wird bei der peripheren Wahrnehmung die Aufmerksamkeit am Besten durch
Flussmuster
5
aktiviert. Ein Flussmuster stellt auerdem einen permanent wahrnehmbaren
und verarbeitbaren Reiz dar. Die Einfhrung eines solchen Reizes erschien bei der Bal-
kenanzeige jedoch nicht mglich, ohne das grundstzliche Konzept der HMI-Lsung zu
verndern. Aufgrund der genannten Probleme wurde die Balkenanzeige nicht weiterver-
folgt.
Die erste Variante hingegen, die perspektivische Anzeige der Fahrbahn, wurde auf Vorschlag
der Experten durch die Erzeugung eines Flussmusters vor einem schwarzen Hintergrund
weiterentwickelt. Hierzu wurde eine zustzliche Einteilung der Fahrspuren in longitudinale
Segmente vorgenommen. Die Segmente werden aktiviert, wenn sich ein Hindernis in der
entsprechenden Position auf der jeweiligen Spur bendet. Bei der Annherung an ein Hin-
dernis wird so ein Flussmuster erzeugt, das auch peripher deutlich wahrnehmbar ist (vgl.
Abbildung 4.4 am Ende dieses Kapitels). Gleichzeitig konnte so die Nutzeranforderung zu
einer kontinuierlichen Rckmeldung bezglich der Hindernisentfernung bei einer Warnung
umgesetzt werden.
Die zustzlich im Fahrsimulator entwickelten Manahmen zur Verbesserung der peripheren
Warnanzeige lassen sich, analog zu [86], in zwei Bereiche gliedern:
Enhancement (Hervorhebung) die optische Aufwertung der Anzeige, um die Wahr-
nehmbarkeit einer Warnung zu verbessern und
Enrichment (Anreicherung) die Nutzung zustzlicher visueller Stimuli, um weitere
Informationen (z.B. Vertrauensmae) zu bermitteln.
4
Im Gegensatz zum peripheren Sichtbereich ndet im fovealen Sichtbereich das scharfe Sehen statt. Der
Mensch erkennt in diesem Bereich Details, die peripher nicht wahrgenommen werden knnen.
5
Ein Flussmuster entsteht in der visuellen Wahrnehmung, wenn ein Beobachter sich relativ zur Umwelt
bewegt. Eine Vorwrtsbewegung erzeugt ein sich ausdehnendes Fliemuster, eine Rckwrtsbewegung ein
sich zusammenziehendes Fliemuster [28].
4.2.1 Verbesserung der peripheren Wahrnehmbarkeit der War-
nung
Fr die periphere Wahrnehmung eines Flussmusters bei der Annherung an ein Hinder-
nis erwies sich die perspektivische Fahrbahndarstellung als problematisch: Weit entfernte
Segmente werden in der Perspektive kleiner dargestellt als nahe Segmente und als Folge
auch schlechter peripher wahrgenommen. Allerdings sind gerade die weit entfernten Seg-
mente von grerem Interesse fr den Fahrer, da er nur durch sie eine frhe Warnung
erfhrt. Aus diesem Grund wurde die longitudinale Segmenteinteilung etwas verzerrt, so
dass weit entfernte Segmente in ihrer Lnge grer dargestellt werden, als es dem ihnen
zugeordneten Entfernungsbereich der detektierten Objekte entsprechen wrde.
6
Die peri-
phere Wahrnehmbarkeit konnte dadurch deutlich verbessert werden.
Das Ergebnis stellt ein im Fahrsimulator ermitteltes Optimum aus guter perspektivischer
Darstellung
7
und guter Wahrnehmbarkeit dar. Details zur optimierten Anordnung der Seg-
mente und zum Flussmuster, das sich daraus bei der Annherung an ein Objekt ergibt,
sind in Anhang C dargestellt.
Die Wahrnehmung des Flussmusters wurde zustzlich durch eine Funktion verstrkt, die
ein Segment noch fr einige 100 Millisekunden aktiviert hlt, auch nachdem ein Objekt den
Entfernungsbereich verlassen hat, der dem jeweiligen Segment zugeordnet ist. Hierdurch
wird bei der Annherung an ein Objekt eine Art von Nachleuchten der durchlaufenen Seg-
mente hervorgerufen, welches die sichtbare Flche vergrert und so besser wahrnehmbar
ist.
8
Als verwirrend und berladen wurde von den Fahrern die Anzeige mehrerer tatschlich
hintereinander liegender Objekte empfunden (z.B. hintereinander fahrende Fahrzeuge oder
mehrere Randobjekte). Daher wurde ein Algorithmus eingefhrt, der fr jedes Objekt
mit einer Spurplausibilitt > 0 die erforderliche Verzgerung zur Kollisionsvermeidung,
berechnet (Gleichung 4.1). Zur Anzeige im HMI wird jeweils das Hindernis ausgewhlt,
fr das innerhalb eines Anzeigesegments die hchste erforderliche Verzgerung errechnet
wurde und dessen Distanz zum eigenen Fahrzeug ber alle Segmente hinweg am geringsten
ist. Durch diese Logik erfolgt automatisch eine Warnung auf das Objekt mit dem grten
Gefahrenpotenzial.
a
erf
=
v
2
rel
2 d
Obj
(4.1)
Die in Gleichung 4.1 verwendeten Gren beziehen sich auf das fahrzeugfeste Koordina-
6
Die nderung der Darstellung von der Fahrerperspektive in eine Vogelperspektive, bei der alle Seg-
mente gleich gro sind, htte wie Tests zeigten erhebliche Schwierigkeiten fr die Interpretation der
Anzeige durch den Fahrer bedeutet und wurde daher nicht weiterverfolgt.
7
Eine gute perspektivische Darstellung im HMI ist dann erreicht, wenn sich die angezeigten Segmentpo-
sitionen vom Fahrer leicht (ohne Abstraktionsleistung) in die visuelle Umgebung (die Fahrbahn) integrieren
lassen, d.h., wenn er aus der angezeigten Segmentposition die tatschliche Objektposition ableiten kann.
8
Bei der Entwicklung der Funktion zur Darstellung des Nachleuchtens durchlaufener Segmente stellte es
sich als wichtig heraus, die Segmente nicht zu lange beleuchtet zu lassen, da der Fahrer sonst annimmt, dass
sich auch an der Position der nachleuchtenden Segmente noch Objekte benden. Ein Wert von maximal
0,24 s hat sich in den Versuchen als praktikabel erwiesen.
4.2 Weiterentwicklung der HMI-Prototypen 59
tensystem
9
:
a
erf
: erforderliche Verzgerung zum Ausgleich der Relativgeschwindigkeit [m/s
2
]
v
rel
: Relativgeschwindigkeit zwischen eigenem Fahrzeug und Objekt [m/s]
d
Obj
: Entfernung des Objekts [m]
Um einen hugen Wechsel der Anzeige durch die kurzzeitige Plausibilisierung von ste-
henden Randobjekten innerhalb der eigenen Spur zu vermeiden, wurde als zustzliche Be-
dingung eingefhrt, dass, sofern ein bestimmtes Objekt im vorangegangenen Rechenzyklus
angezeigt wurde und dieses Objekt immer noch in der Schnittstelle zwischen Informations-
plattform und HMI existiert (mit entsprechender Spurplausibilitt), dieses Objekt auch
weiterhin angezeigt wird, selbst, wenn sich mittlerweile ein hheres a
erf
fr ein anderes
Objekt ergibt. Der Wechsel auf ein anderes Objekt erfolgt erst, wenn das aktuell angezeig-
te Objekt aus der Objektliste gelscht wurde oder seine Spurplausibilitt auf 0 gefallen
ist.
Die beschriebene Funktion stellt eine besondere Anforderung an die Umfeldbeschreibung,
in der die Filterung der Objektdaten erfolgt. Um eine kontinuierliche Anzeige zu gewhr-
leisten, darf die ID
10
eines Objekts whrend der Anzeigedauer nicht wechseln, da diese
Nummer die Basis fr den Abgleich mit vergangenen Anzeigezyklen im HMI bildet.
Die beim Brainstorming vorgesehene Darstellung von Randobjekten und Gegenverkehr
diente dem Zweck, dem Fahrer ein detaillierteres Bild von der Fahrsituation zu geben.
Die Interpretation der entsprechenden Anzeige durch den Fahrer erwies sich jedoch als
schwierig und der durch die Anzeige der Randobjekte permanent ausgelste periphere Reiz
wurde von den Fahrern als ablenkend empfunden. Sobald ein Objekt die eigene Fahrspur
verlassen hat, ist es aus Fahrersicht nicht mehr interessant, es sei denn, es bewegt sich
wieder zurck in die eigene Spur. Diese Detailinformation lie sich jedoch peripher ber
die Segmente nicht vermitteln. Zustzlich wurde durch aktive Randsegmente der Kontrast
zu Segmenten innerhalb der eigenen Fahrspur reduziert und somit deren Wahrnehmbarkeit
verringert. Dementsprechend wurde die Anzeige nur auf Objekte mit einer Spurplausibilitt
fr die eigene Spur beschrnkt, um die bersichtlichkeit des HMI zu verbessern und eine
Ablenkung der Fahrer zu vermeiden.
Die farbige Darstellung der Segmente wurde entgegen der ursprnglichen HMI-Idee nur fr
den Nahbereich (ab 40 m) beibehalten. In diesem Entfernungsbereich ist eine Fahrerreakti-
on auf ein angezeigtes Objekt unmittelbar erforderlich, sofern es sich nicht um ein voraus-
fahrendes Fahrzeug handelt. Auerdem hatte die Analyse der Nutzeranforderungen gezeigt,
dass sich die Fahrer eine farbige Anzeige (rot) einer akuten Kollisionswarnung wnschen.
Um dem HMI-Konzept entsprechend eine kontinuierliche Darstellung zu ermglichen, wird
der Farbwert der Segmente im Nahbereich entsprechend der Hhe von a
erf
linear von grn
ber gelb nach rot interpoliert. Bei Segmenten, die hhere Objektentfernungen anzeigen,
wurde eine Einfrbung als strend fr die Wahrnehmung des Flussmusters empfunden. Da
in diesem Entfernungsbereich die Kollisionswahrscheinlichkeit noch gering ist, wren die
Segmente mit Grntnen eingefrbt worden, die peripher schlechter wahrnehmbar sind.
9
In Gleichung 4.1 wurden die Beschleunigungen des eigenen Fahrzeugs und des gemessenen Objekts
nicht bercksichtigt, da die Beschleunigung des Objekts durch den Radarsensor nicht direkt gemessen
wird. Insofern muss diese Gre aus der Ableitung der Relativgeschwindigkeit ermittelt werden und ist
hohen Schwankungen unterworfen. Die Versuche im Fahrsimulator haben gezeigt, dass die Verwendung
der Relativgeschwindigkeit sowohl bei der Annherung an stehende Objekte als auch bei Folgefahrten
ausreichend ist.
10
vgl. Kapitel 1.2.2
4.2.2 Periphere Vermittlung von Zusatzinformationen
Im Idealfall kann eine Fehlwarnung von einer berechtigten Warnung dadurch unterschie-
den werden, dass die Fehlwarnung vom Fahrer gar nicht wahrgenommen wird. Der aus
dem Brainstorming hervorgegangene HMI-Entwurf sieht zur Kodierung der Existenzwahr-
scheinlichkeit und der Spurplausibilitt die Transparenz des entsprechenden Spurbereichs
vor.
11
Die Gre Transparenz lsst sich bei der Verwendung eines RGB-Farbschemas zu
einem dargestellten Grauwert zusammenfassen.
12
Die beiden Vertrauensmae Existenzwahrscheinlichkeit und Spurplausibilitt werden zur
Berechnung des dargestellten Grauwerts miteinander multipliziert (vgl. Gleichung 4.2).
Ist die Spurplausibilitt 0, so wird auch ein Grauwert von 0 dargestellt, das Segment ist
schwarz, genauso wie der Hintergrund. Der maximale Grauwert von 255 wird nur dann
angezeigt, wenn das entsprechende Objekt sowohl die maximale Existenzwahrscheinlich-
keit, wie auch die maximale Spurplausibilitt besitzt. Nur dann lsst sich von einem hohen
Vertrauen in die Warnung ausgehen.
Grauwert = Existenzwahrscheinlichkeit Spurplausibilisierung max. Grauwert (4.2)
Aus dieser Berechnungsformel fr den dargestellten Grauwert und dem Wunsch, Fehlwar-
nungen mglichst unaullig darzustellen, ergeben sich eine Reihe von Anforderungen an
die Informationsplattform, die im Folgenden erlutert werden.
Eine Fehlwarnung kann entweder durch ein falsch gemessenes Objekt oder durch eine
falsche Kursprdiktion zustande kommen. Eine Fehldetektion sollte nur whrend weniger
Messzyklen auftauchen und die Existenzwahrscheinlichkeit dementsprechend gering sein.
Wird ein Objekt korrekt mit geringem Fehler gemessen, sollte die Existenzwahrscheinlich-
keit fr eine deutliche Warnung mglichst schnell (d.h., innerhalb weniger Rechenzyklen)
ansteigen.
Aufgrund der begrenzten Reichweite der Videospurdetektion ist es mglich, dass diese einen
Kurveneingang zu spt erkennt und ein Randobjekt aufgrund einer falschen Kursprdik-
tion eine Spurplausibilitt fr die eigene Fahrspur erhlt. Analog zur Objektdetektion gilt
auch hier, dass diese Spurplausibilitt nur ber einen kurzen Zeitraum und mit niedri-
gen Werten angezeigt werden darf. Bei einer sicheren Kursprdiktion dagegen sollte die
Spurplausibilitt zgig einen hohen Wert annehmen.
Die Nutzung des dargestellten Grauwerts zur Unterscheidung zwischen Fehlwarnungen und
berechtigten Warnungen erfordert auch, dass die im vorigen Abschnitt beschriebene Ma-
nahme zur Darstellung eines Nachleuchtens bereits durchlaufener Segmente abgebrochen
wird, wenn ein Objekt aufgrund zu geringer Existenzwahrscheinlichkeit oder Spurplausibi-
litt nicht mehr im HMI angezeigt wird.
Der im Rahmen der Anforderungsanalyse ermittelte Wunsch der Fahrer nach einer Infor-
mation, wo auf seiner Spur sich ein Hindernis bendet, um ein Ausweichmanver besser
11
Weitere Nennungen gem Tabelle 4.1 schlagen die Verwendung von Unschrfebereichen und Schattie-
rungen zur Anzeige von Unsicherheit vor. Unschrfebereiche und Schattierungen werden fr die Darstellung
ungenauer Informationen hug bei foveal betrachteten Displays verwendet. Ihre Nutzung bei peripherer
Betrachtung wurde im Rahmen der HMI-Evaluierungen als fr nicht tauglich befunden.
12
RGB (Rot Grn Blau) ist die Bezeichnung fr ein adaptives Farbmodell, bei dem sich die drei Grund-
farben zu Wei addieren. Eine Farbe besteht hier aus jeweils 3 Werten: Dem Rot-, Grn- und Blauanteil.
Es sind 256 Werte zwischen 0 und 255 mglich.
planen zu knnen, wurde durch eine detailliertere Anzeige im Nahbereich (Objektentfer-
nungen < 40 m) realisiert. Ein stehendes Hindernis wird im Nahbereich als farbiges Kreuz
dargestellt, dessen Position entsprechend der lateralen Position des Hindernisses innerhalb
der eigenen Spur, in fnf gleich groen lateralen Bereichen variiert. Vorausfahrende Fahr-
zeuge werden im Nahbereich nicht als Kreuz, sondern als breiteres Rechteck angezeigt,
um die bertragbarkeit der HMI-Anzeige auf die Realitt zu erleichtern. Um ein Springen
der Anzeige zwischen Kreuz und Balken und eine damit einhergehende Verwirrung des
Fahrers zu vermeiden, muss eine stabile Klassikation des Bewegungszustands durch die
Informationsplattform sichergestellt sein.
4.3 Zusammenfassung
Aufbauend auf Expertenwissen wurden mit der Methode des Brainstorming Vorschlge zur
Umsetzung der Nutzeranforderungen in der Ausgestaltung des HMI erzeugt. Im Rahmen
eines anschlieenden Auswahl- und Optimierungsverfahrens wurde ein Vorschlag im Fahr-
simulator zu einem HMI-Prototypen weiterentwickelt. Im Kern basiert der Prototyp auf
der Darstellung eines Flussmusters, das der Annherung an ein Hindernis in der eigenen
Fahrspur entspricht. Durch diese Lsung konnte die Anforderung an eine gute periphere
Wahrnehmbarkeit mit der perspektivischen Anzeige einer Hindernisentfernung verbunden
werden. Die Einbeziehung von Vertrauensmaen erfolgt ber eine Modikation des Grau-
werts, mit dem das Flussmuster bei einer Warnung dargestellt wird. Dies bewirkt eine
kontinuierliche Abschwchung der Warnung bei geringer Systemsicherheit.
Abbildung 4.4 auf Seite 63 zeigt zum besseren Verstndnis der Erluterungen eine Bilder-
sequenz bei der Annherung an ein stehendes Objekt. Aufgenommen wurde die Fahrersicht
nach vorn (groes Bild) zusammen mit der Darstellung im HUD (kleines Bild) bei der An-
nherung an einen Felsen. In jedem Bild ist die Hindernisentfernung zusammen mit einem
Video-Zeitstempel angegeben.
13
Die grundlegenden Prinzipien des HMI wurden durch zustzliche Funktionalitten er-
gnzt, welche einem fahrerbezogenen Umfeldmodell entsprechen, mit dessen Hilfe die Da-
ten der Informationsplattform zur Anzeige im HMI interpretiert und reduziert werden
(vgl. Kapitel 3). Ein Ablaufdiagramm, das die wichtigsten Berechnungsschritte bei der
HMI-Darstellung zusammenfasst, ist in Abbildung 4.5 auf Seite 64 dargestellt.
Aus den Erluterungen zu den Teilfunktionen des HMI lsst sich die in Tabelle 4.3 ange-
gebene Schnittstellendenition zwischen HMI und Informationsplattform ableiten.
Tabelle 4.4 fasst die einzelnen Anforderungen an die Schnittstellendaten der Informations-
plattform, gemeinsam mit ihrer Begrndung aus der HMI-Entwicklung, zusammen.
13
Der Video-Zeitstempel hat das Format: hh:mm:Frame [0..24] pro Sekunde
Verwendungszweck Information Datenquelle
a
Nachleuchten, Vermeidung Sprnge
zwischen verschiedenen Objekten
Objekt-ID UB
Berechnung des Grauwerts Existenzwahrscheinlichkeit, UB
Spurplausibilitt UI
Berechnung von a
erf
v
rel
, UB
d
Obj
UB
Unterscheidung zwischen stehenden
und bewegten Objekten
b
Objekt-Klassikation UB
Berechnung der lateralen Position
eines Objekts innerhalb der eigenen
Fahrspur
b
Objektposition im fahrzeugfesten
Koordinatensystem,
UB
Kursprdiktion UI
Tabelle 4.3: Schnittstellendenition zwischen HMI und Informationsplattform
a
UB: Umfeldbeschreibung, UI: Umfeldinterpretation.
b
Die Unterscheidung ist zur Anzeige im Nahbereich erforderlich.
Datenquelle Anforderung an die Datenquelle Grund
Umfeld-
beschreibung
Zuweisung einer konstanten Objekt-
ID ber die gesamte Messdauer eines
Objekts
Kontinuierliche Anzeige des Objekts,
Vermeidung von Sprngen aufgrund
von kurzzeitig fr die eigene Spur
plausibilisierten Objekten
Schneller Anstieg der Existenzwahr-
scheinlichkeit bei sicher gemessenen
Objekten,
Schnelle Reduktion der Existenz-
wahrscheinlichkeit bei unsicher gemes-
senen Objekten
Hoher Grauwert (deutliche War-
nung) bei sicherer Messung, niedriger
Grauwert (undeutliche Warnung) bei
unsicherer Messung
Sichere Objektklassikation Vermeidung von Sprngen bei der
Darstellung eines Hindernisses einmal
als stehend und einmal als bewegt
Hohe Przision bei der Bestimmung
kinematischer Objektattribute
a
Eindeutige Spurzuordnung,
Korrekte Objektauswahl anhand von
a
erf
und d
Obj
Vermeidung von Sprngen der An-
zeige von stehenden / bewegten Ob-
jekten im Nahbereich
Umfeld-
interpretation
Schneller Anstieg der Spurplausi-
bilitt bei Objekten, die sich sicher
innerhalb der eigenen Fahrspur ben-
den,
Schnelle Reduktion der Spurplau-
sibilitt bei Objekten, die sich sicher
auerhalb der eigenen Fahrspur ben-
den
Hoher Grauwert (deutliche War-
nung) bei sicherer Messung, niedriger
Grauwert (undeutliche Warnung) bei
unsicherer Messung
Tabelle 4.4: Anforderungen vom HMI an die Informationsplattform
a
Kinematische Objektattribute: Position im fahrzeugfesten Koordinatensystem, Relativgeschwindigkeit.
Abbildung 4.4: Ablauf der Warnung bei der Annherung an ein stehendes Hindernis
Einlesen der Daten aus der
Schnittstelle zur IP
Berechung von a
erf
getrennt nach den Entfernungsbereichen,
die den Segmenten zugeordnet sind,
fr alle Objekte, die eine Spurplausibilitt
fr die eigene Fahrspur haben
Auswahl innerhalb eines Segments:
das Objekt, fr das der hchste Wert von
aerf errechnet wurde
Berechung von aerf
Nur fr das Objekt, das bereits im vorigen
Rechenzyklus angezeigt wurde
ja
Wurde eines der
Objekte bereits im vorigen
Rechenzyklus angezeigt?
&
Ist seine Plausibilitt fr die
eigene Spur > 0?
Auswahl des Objekts, das bereits im
vorigen Rechenzyklus angezeigt
wurde
Auswahl ber alle Segmente:
das Objekt mit der geringsten Entfernung
Befindet sich das ausgewhlte
Objekt im Nahbereich?
Berechnung der lateralen Objekt-
position relativ zur Spurprdiktion
ja
Berechnung des Farbwerts fr das
entsprechende Segment abhngig von
aerf,
Existenzplausibilitt,
Spurplausibilitt
Berechnung des Grauwerts fr das
entsprechende Segment abhngig von
Existenzplausibilitt,
Spurplausibilitt
nein
Berechnung des Grauwerts fr bereits
durchlaufene Segmente
(Nachleuchten)
Darstellung der Segmente
Speicherung der ID des angezeigten
Objekts fr den nchsten Durchlauf
nein
Abbildung 4.5: Ablaufdiagramm zur Berechnung der HMI-Darstellung
Kapitel 5
Entwicklung der Umfeldbeschreibung
Das in diesem Kapitel und in Kapitel 6 beschriebene Konzept zur Realisierung der Infor-
mationsplattform beruht im Kern auf einer mathematischen Reprsentation des aktuellen
Fahrzustands (Geschwindigkeit, Bewegungsrichtung) sowie des Zustands der Umwelt (Po-
sition und Bewegungsrichtung anderer Objekte, weiterer Spurverlauf). Auf Basis dieser
Daten errechnet die in Kapitel 4 dargestellte HMI-Funktion die zuknftige Entwicklung
der Fahrsituation, um daraus abzuleiten, welche Objekte eine Gefhrdung darstellen.
Zunchst ist eine Methode zur Schtzung des Bewegungszustands des eigenen Fahrzeugs
erforderlich. Basierend auf den hieraus abgeleiteten Informationen ndet eine Filterung
sowie ein Tracking der vom Radarsensor lokalisierten Objekte statt. Somit ergibt sich eine
Reprsentation der Bewegung des eigenen Fahrzeugs im zweidimensionalen Raum, relativ
zu den umgebenden Objekten. Ergnzend kommen die Daten der Spurdetektion anhand
von Videodaten hinzu, welche mit weiteren Anstzen zur Kursprdiktion, die sich auf
Radarobjekte sttzen, kombiniert werden.
Gem der in Kapitel 1.2 formulierten Zielsetzung dieser Dissertation als Systemvorstudie
nach [88] werden in diesem Kapitel grundstzliche Lsungsprinzipien fr die Aufgaben der
Umfeldbeschreibung dargestellt und es wird das jeweils erfolgversprechendste Prinzip mit
Hilfe nachprfbarer Beurteilungskriterien herausgearbeitet.
5.1 Koordinatensystem
Die Berechnungen der Umfeldbeschreibung erfolgen in einem Koordinatensystem, dessen
Ursprung in der Mitte der Hinterachse des eigenen Fahrzeugs liegt (vgl. Abbildung 5.1). Das
Koordinatensystem wird bei jedem Rechenschritt mit der Bewegung des eigenen Fahrzeugs
verschoben.
Entsprechend heutiger Normierung haben Objekte, die links vom Fahrzeug liegen, einen
positiven Abstand in y-Richtung. Der Lenkwinkel und die Gierrate des Fahrzeugs sind
linksdrehend positiv.
Aufgrund der Fahrzeugbewegung ist eine Verschiebung und eine Rotation des Koordinaten-
systems erforderlich. Diese Koordinatentransformation erfolgt in zwei Schritten. Zunchst
66 5. Entwicklung der Umfeldbeschreibung
Position zum
Rechenschritt k
y
k
x
k
Position zum
Rechenschritt
k + 1
y
y
k
+
1
x
k
+
1
x
Abbildung 5.1: Verschiebung des fahrzeugfesten Koordinatensystems
wird das Koordinatensystem translatorisch entsprechend der Fahrzeugbewegung in x- und
y-Richtung verschoben:
x
trans
= x x (5.1)
y
trans
= y y (5.2)
Dabei entsprechen x
trans
und y
trans
der Position eines Objekts im neuen Rechenzyklus k+1,
nach der Verschiebung. Die Werte der inkrementellen Verschiebung des Koordinatensys-
tems, x und y, lassen sich bei Vorhandensein der Komponenten der Fahrzeuggeschwin-
digkeit, v
x, k
und v
y, k
, ber die Zeitdauer zwischen zwei Rechenzyklen t berechnen:
x = v
x, k
t (5.3)
y = v
y, k
t (5.4)
Nach der Verschiebung des Koordinatensystems erfolgt eine Rotation entsprechend der
inkrementellen Drehung des Fahrzeugs um seine Hochachse, . Die Berechnung von
aus der Gierrate

k
erfolgt folgendermaen:
=

k
t (5.5)
Wie in Abbildung 5.2 dargestellt, liefert der Radarsensor fr die detektierten Objekte (in
diesem Fall die Kante eines vorausfahrenden Fahrzeugs) den radialen Abstand r, den ho-
rizontalen Winkel zur Sensormittelachse und die radiale Relativgeschwindigkeit v
rel
. Die
Sensordaten werden im Rahmen des in der Umfeldbeschreibung stattndenden Tracking-
Prozesses in das fahrzeugfeste kartesische Koordinatensystem, z.B. in die Positionsdaten
x
Track
und y
Track
umgerechnet.
1
Wird die Position des getrackten Objekts in einem Zustandsvektor angegeben (x), so kann
die Rotation des Koordinatensystems unter Verwendung einer Rotationsmatrix erfolgen.
x =
_
x
Track
y
Track
_
(5.6)
1
Track bezeichnet ein von der Umfeldbeschreibung geltertes Objekt, vgl. Kapitel 1.2.2.
5.2 Filterung der Fahrzeugbewegung 67
y
x
y
Track
r
,

v
r
e
l
x
T
r
a
c
k
y
Track
Abbildung 5.2: Vergleich Sensorkoordinatensystem mit fahrzeugfestem Koordinatensystem
zum Objekt-Tracking
Die zur Drehung erforderliche Rotationsmatrix lautet:
A
rot
=
_
cos() sin()
sin() cos()
_
(5.7)
Zur Rotation des Koordinatensystems wird fr den verschobenen Zustandsvektor die fol-
gende Matrixoperation durchgefhrt:
x
rot
= A
rot
x
trans
(5.8)
Aus diesen Betrachtungen folgt, dass durch die Filterung der Fahrzeugbewegung die beiden
Gren v =
_
v
2
x
+v
2
y
und

in bestmglicher Qualitt zur Verfgung gestellt werden
mssen, da das Koordinatensystem die Grundlage fr alle weiterfhrenden Berechnungen
der Umfeldbeschreibung ist.
5.2 Filterung der Fahrzeugbewegung
Die Filterung der eigenen Fahrzeugbewegung bildet die Basis fr die Umfeldreprsentati-
on. Dies hat mehrere Grnde. Zunchst ist die Prdiktion des aktuellen Fahrzustands im
Gegensatz zur video- und radarbasierten Spurdetektion permanent verfgbar und im Zwei-
felsfall auch diejenige Quelle, die den aktuellen Richtungswunsch des Fahrers am Besten
beschreibt.
Darber hinaus ndet das Tracking der vom Sensor erfassten Objekte in einem lokalen,
d.h., mit dem eigenen Fahrzeug mitbewegten Koordinatensystem statt, welches auf Basis
der Eigenbewegung des Fahrzeugs in jedem Rechenzyklus verschoben und rotiert wird. Un-
genauigkeiten hierbei fhren unweigerlich zu einer niedrigeren Qualitt des Objekttrackings
und damit auch zu verminderter Systemleistung.
Als optimaler Schtzer wird zur Filterung der Fahrzeugbewegung in der Regel ein er-
weitertes Kalman-Filter eingesetzt [14]. Der grundstzliche Ablauf einer Filterung mittels
erweitertem Kalman-Filter ist zusammen mit den entsprechenden Matrixoperationen in
Anhang D dargestellt.
Das Kalman-Filter eignet sich in besonderer Weise fr die Filterung der Fahrzeugbewegung,
da das beim Kalman-Filter verwendete Systemmodell zur Prdiktion des Zustandsvektors
es ermglicht, bekannte mechanische Zusammenhnge bei der Fahrzeugbewegung in den
Filterprozess mit einzubringen. Durch diese Vorgehensweise lsst sich das Filterergebnis
beispielsweise im Vergleich zu einem reinen Tiefpasslter verbessern. Auerdem knnen
weitere Bewegungsgren, die nicht direkt messbar sind, ber das Systemmodell aus den
gelterten Gren mitberechnet werden, vgl. [47].
Das Filter erhlt Informationen ber die Bewegung des eigenen Fahrzeugs aus den Daten
des Gierraten- und Lenkwinkelsensors sowie aus den Raddrehzahlsensoren. Diese Informa-
tionen sollen im Rahmen der Filterung in eine Schtzung der aktuellen Fahrzeuggeschwin-
digkeit und -beschleunigung sowie der Gierrate umgesetzt werden.
In der Literatur werden verschiedene Filtermodelle fr diesen Zweck genannt, die sich
einerseits durch die Anzahl der Gren im Zustands- und Messvektor und andererseits in
den Modellannahmen fr die Bewegung des eigenen Fahrzeugs unterscheiden.
Ein gngiger Ansatz zur Beschreibung des querdynamischen Fahrzeugverhaltens ist das
lineare Einspurmodell (Herleitung und Darstellung in [59]). Es ndet im Allgemeinen An-
wendung fr Kurvenfahrten bis zu einer Querbeschleunigung von 4 m/s
2
. Vorder- und
Hinterachse des Fahrzeugs werden jeweils auf ein Rad reduziert, Wank- Hub- und Nickbe-
wegungen werden vernachlssigt.
In den Verentlichungen zum EUCLIDE-Projekt wird die Anwendung des Constant Turn
Rate-, CTR-Bewegungsmodells fr die Modellierung der Fahrzeugdynamik vorgeschla-
gen [71], [69]. Dieses Modell basiert auf einer Koppelung der longitudinalen und lateralen
Fahrzeugbewegung ber die Gierrate. Weiterhin gilt wie auch beim linearen Einspurmo-
dell die Annahme, dass eine Beschleunigung des Fahrzeugs nur in Fahrzeugquerrichtung
stattndet. Im Rahmen dieses Unterkapitels werden diese beiden Modelle auf Basis von
Vergleichsmessungen hinsichtlich ihrer Eignung zur Filterung der Fahrzeugbewegung un-
tersucht.
5.2.1 Lineares Einspurmodell
Die Bewegungsgleichungen des linearen Einspurmodells lassen sich bei Verwendung der
in Tabelle 5.1 angegebenen Variablen und Parameter nach den Gleichungen 5.9 und 5.10
zusammenfassen.
=
_
c
sv
+c
sh
m v
_
+

_
m v
2
l
v
c
sv
+l
h
c
sh
m v
2
_
+
_
c
sv
m v
_
(5.9)
=
_
l
h
c
sh
l
v
c
sv
_
+

_
l
2
h
c
sh
l
2
v
c
sv
v
_
+
_
l
v
c
sv
_
(5.10)
Zur Bestimmung des longitudinalen Fahrzustands werden die Fahrzeuggeschwindigkeit (v)
und die Beschleunigung ( v) bentigt. Die Krmmung der aktuell gefahrenen Bahnkurve, die
Variable Beschreibung Einheit
v Geschwindigkeit im Schwerpunkt in Lngsrichtung m/s
v Beschleunigung im Schwerpunkt in Lngsrichtung m/s
2
Gierwinkel rad
Gierrate rad/s
Gierratennderung rad/s
2
Schwimmwinkel rad
Schwimmwinkelnderung rad/s
Lenkwinkel rad
Lenkwinkelnderung rad/s
c
sv
Schrglaufsteigkeit Vorderachse N/rad
c
sh
Schrglaufsteigkeit Hinterachse N/rad
l
v
Abstand Fahrzeugschwerpunkt - Vorderachse m
l
h
Abstand Fahrzeugschwerpunkt - Hinterachse m
m Fahrzeugmasse kg
Massentrgheitsmoment im Schwerpunkt bzgl. Hochachse kgm
2
Tabelle 5.1: Variablen des linearen Einspurmodells
in der Umfeldinterpretation zur Kursprdiktion bentigt wird, lsst sich aus der Gierrate

und der Geschwindigkeit v ermitteln (Gleichung 5.14). Neben der Gierrate wurde auch die
Gierratennderung

als zustzlicher Freiheitsgrad in den Zustandsvektor integriert, um
mglichst nah an den Bewegungsgleichungen bei der Modellierung der Fahrzeugdynamik
zu bleiben.
Die Verschiebung des fahrzeugfesten Koordinatensystems zum Tracking erfolgt auf Ba-
sis des Gierwinkels und der inkrementellen Bewegung zwischen zwei Rechenzyklen des
Tracking in der lateralen und longitudinalen Richtung des Koordinatensystems. Dazu wer-
den die Gierrate

und die Fahrzeuggeschwindigkeit v bentigt.
Das Einspur-Fahrzeugmodell erlaubt auch eine Schtzung des aktuellen Schwimmwinkels.
Dieser kann insbesondere beim Tracking fr eine zustzliche Korrektur der Rotation des
fahrzeugfesten Koordinatensystems verwendet werden und somit die Eektivitt erhhen.
Der Lenkwinkel gibt, neben der Gierrate, den Richtungswunsch des Fahrers an und
wurde daher, zusammen mit der Lenkwinkelgeschwindigkeit

, auch in den Zustandsvektor
aufgenommen.
Unter Einbeziehung der erluterten Gren ergibt sich der Zustandsvektor x
k
fr den
Rechenzyklus k wie folgt:
x
k
=
_
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
_
_
_
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
_
_
_
v
v
_
_
_
_
_
_
_
_
_
_
_
_
(5.11)
Da im Fahrzeug ein Geschwindigkeitssignal in Form von Messungen der an den Achsen
verbauten Radimpulszhler sowohl von der Vorder-, als auch von der Hinterachse vorliegt,
bietet es sich an, diese Redundanz bei der Wahl der Vektoren fr die Mess- und Steuer-
gren zu nutzen [47].
In den Eingangsvektor fr Steuergren ieen daher das Geschwindigkeitssignal der Hin-
terachse (v
Hk
) sowie der Lenkwinkel (
k
) ein. Zur Errechnung des Lenkwinkels aus dem
im Fahrzeug gemessenen Lenkradwinkel wurde auf die von [47] ermittelte Approximation
mittels eines Polynoms dritten Grades zurckgegrien.
Die Geschwindigkeitssignale an Vorder- und Hinterachse werden in Form von Radgeschwin-
digkeiten, die aus den Drehzahlfhlern an den Rdern abgeleitet wurden, vom Steuergert
des ESP ber die Fahrzeugvernetzung geliefert. Diese Signale besitzen eine hohe Ausung
und knnen direkt zur Filterung verwendet werden. Bei der Verwendung des Lenkradwin-
kels als Steuergre ist die Ausung des verwendeten Lenkradwinkelsensors zu beachten.
Ist die Ausung zu grob, knnen grere Sprnge entstehen, die das Filterergebnis unmit-
telbar beeinussen. Zur Vermeidung unerwnschter Sprnge bei der Filterung sollte der
Lenkradwinkel vor seiner Verwendung, z.B. durch die Bildung eines gewichteten Mittel-
werts vergangener Messsignale, geglttet werden.
Der vollstndige Formalismus zur Herleitung der Vektoren und Matrizen, die im erweiterten
Kalman-Filter fr die Filterung der Fahrzeugbewegung verwendet werden, ist in Anhang E
angegeben.
5.2.2 CTR-Modell
hnlich dem Einspurmodell erfolgt beim CTR-Modell eine Koppelung von longitudinaler
und lateraler Bewegung ber die Gierrate. Dazu wird die Beschleunigungsnderung a in
lateraler Bewegungsrichtung in Abhngigkeit von der Fahrzeuggeschwindigkeit und von der
Gierrate formuliert [3]:
a = v =
2
v (5.12)
Die Berechnung des prdizierten Zustandsvektors kommt im Gegensatz zum Einspurmodell
ohne fahrzeugspezische Parameter aus.
2
Ein weiterer Unterschied zum Einspurmodell ist
die fehlende Einbeziehung des Lenkwinkels. Das CTR-Modell bildet somit im Vergleich zum
Einspurmodell einen universelleren Ansatz, der sich leicht auf verschiedene Fahrzeugarten
3
anwenden lsst.
In der von [3] beschriebenen Implementierung (zitiert nach [9]) wird auf die Verwendung
eines Eingangsvektors verzichtet. Smtliche Messdaten werden ber die Ausgangsmatrix
der Messung in die Filterung eingespeist. Der Zustandsvektor beinhaltet die Objektposition
in longitudinaler (x) sowie in lateraler (y) Richtung zusammen mit den entsprechenden
Geschwindigkeiten und der Gierrate:
x
k
=
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
_
_
_
_
_
_
=
_
_
_
_
_
_
x
x
y
y
_
_
_
_
_
_
(5.13)
2
Die Variablen c
sv
, c
sh
, l, m und werden nicht bentigt.
3
z.B. Autos, Flugzeuge, Schie
Die translatorische Bewegung des Fahrzeugs wird hier nicht mit einem Summenvektor
(vgl. Einspurmodell), sondern ber die einzelnen Geschwindigkeitskomponenten in x- und
y-Richtung dargestellt. Da der Bewegungszustand des Fahrzeugs jedoch in einem mit dem
Fahrzeug mitbewegten Koordinatensystem beschrieben werden soll, ist beim CTR-Modell
vor dem Prdiktionsschritt eine zustzliche Rechenoperation in Form einer Koordinaten-
transformation der Schtzwerte fr den Zustandsvektor x
k
und fr die Kovarianzmatrix
P
k
erforderlich.
Fr eine ausfhrliche Darstellung der Zustandsbergangsgleichungen sowie der Matrizen
fr die Berechnungen des Kalman-Filters wird auf [9] verwiesen.
5.2.3 Vergleich der Modelle
Zum Vergleich der Modelle wird die Abweichung zwischen den durch das Filter geschtzten
und den von einem Referenzsystem gemessenen Werten analysiert. Die Aufzeichnung der
Referenzdaten erfolgte mit einem DGPS auf einer kurvigen Landstrae im Geschwindig-
keitsbereich 70-100 km/h.
365 370 375 380 385 390 395 400 405 410 415 420
4
3
2
1
0
1
2
3
4
x 10
3
Zeit [s]

[
1
/
m
]
DGPS
ES
CTR
Abbildung 5.3: Vergleich Krmmungsschtzung mit DGPS
Die Auswahl der zu vergleichenden Messgren wurde auf Basis ihrer weiteren Verwen-
dung im System getroen (vgl. Kapitel 5.1). Von hoher Wichtigkeit ist demnach die Gte
folgender Werte:
Bewegung in longitudinaler Richtung (x = v
x
t)
Bewegung in lateraler Richtung (y = v
y
t)
Gierrate (

)
Whrend die Gierrate innerhalb der Umfeldinterpretation bei der Kursprdiktion bentigt
wird, sind alle drei Schtzwerte relevant fr die rotatorische und translatorische Verschie-
bung des Koordinatensystems. Die genannten Daten lassen sich fr einen Vergleich zur
Krmmung der gefahrenen Trajektorie zusammenfassen:
=
v
(5.14)
Abbildung 5.3 zeigt eine Gegenberstellung der mit dem Einspurmodell (ES) und dem
CTR-Modell aus den Bewegungsgren geschtzten Trajektorienkrmmung mit der Krm-
mung, die sich aus den DGPS-Koordinaten ergibt. Hierzu wurden die Messpunkte des
DGPS in ein Polynom zweiten Grades gettet.
0 1 2 3 4 5
x 10
4
0
20
40
60
80
100
120
| | [1/m]
H
u
f
i
g
k
e
i
t
Fehlerhistogramm ESModell
0 1 2 3 4 5
x 10
4
0
20
40
60
80
100
120
| | [1/m]
H
u
f
i
g
k
e
i
t
Fehlerhistogramm CTRModell
Abbildung 5.4: Histogramme fr Abweichung der Krmmung vom DGPS
Die Histogramme fr die betragsmige Abweichung zwischen tatschlich gefahrener und
geschtzter Krmmung sind in Abbildung 5.4 dargestellt. Aus den Histogrammen wird
ersichtlich, dass das Einspurmodell die Fahrzeugbewegung besser wiedergibt als das CTR-
Modell. Der Fehler in der Krmmungsschtzung liegt beim Einspurmodell im Median bei
1,35 10
4
m
1
, das CTR-Modell liegt bei 2,45 10
4
m
1
.
Der Unterschied der beiden Modelle bei der Krmmungsschtzung lsst sich auf die Scht-
zung der Gierrate (

) zurckfhren, wie Abbildung 5.5 zeigt. In diesem Diagramm ist ein
Vergleich der Gierraten zwischen dem Einspurmodell, dem CTR-Modell und dem ungel-
terten Signal des Gierratensensors abgebildet.
365 370 375 380 385 390 395 400 405 410 415 420
0.08
0.06
0.04
0.02
0.00
0.02
0.04
0.06
0.08
Zeit [s]
[
r
a
d
1
]
Rohwert
ES
CTR
Abbildung 5.5: Vergleich Rohsignal Gierrate mit Gierratenschtzung aus Einspurmodell
und Constant Turn Rate-Modell
Aus dem Signalverlauf wird deutlich, dass das CTR-Modell bei einer schwachen Filterung
die vom Gierratensensor gelieferten Informationen quasi vollstndig fr die Schtzung der
Gierrate nutzt. Im Gegensatz dazu zeigt das Einspurmodell im Vergleich zum Gierraten-
sensor deutlichere Ausschlge der Gierratenschtzung.
5.3 Objekt-Tracking 73
Dieses Verhalten des Einspurmodells wird vor allem durch die zustzliche Verwendung des
Lenkwinkels als Steuergre bedingt. Aus den Dierentialgleichungen 5.9 und 5.10 des Ein-
spurmodells geht hervor, dass der Lenkwinkel ber die Schrglaufsteigkeit der Vorderrder
Seitenkrfte erzeugt. Diese bewirken eine zustzliche Drehung um die Fahrzeug-Hochachse,
die sich in den Signalen des Gierratensensors erst verzgert und abgeschwcht zeigt. Der
Einuss der zustzlichen Seitenkrfte wird im CTR-Modell nach Gleichung 5.12 nicht be-
rcksichtigt und fhrt zu einer schlechteren Abbildung der Querdynamik, die in einer un-
genaueren Krmmungsschtzung der Fahrzeugbewegung sichtbar wird. Das Einspurmodell
ist demnach fr die Filterung der Fahrzeugdaten im Rahmen der Umfeldbeschreibung zu
bevorzugen.
5.3 Objekt-Tracking
Das Objekt-Tracking dient der Filterung von Detektionen des Radarsensors. Dieser Ver-
arbeitungsschritt der Sensordaten erfolgt mit dem Ziel, die Stabilitt und die Genauigkeit
der Objektdaten zu erhhen und ist nach [64] die wichtigste Aufgabe der Umfeldbeschrei-
bung. Da im Fahrzeugumfeld nicht nur ein Ziel, sondern mehrere Objekte verfolgt werden
mssen, wird der Filterprozess auch als Multi-Objekt-Tracking bezeichnet.
Die Messungen des Radarsensors liefern nur Nherungswerte fr die Positionen und die
Bewegungsrichtungen von Objekten. Daher kann die Objektdetektion als stochastischer
Prozess betrachtet werden[9]. ber Kalman-Filter lsst sich daraus die optimale Zustands-
schtzung berechnen. Die Umrechnung der Messgren des Radarsensors in die gelterte
Zustandsschtzung der detektierten Objekte (vgl. Abbildung 5.2) ist nichtlinear. Daher
wird fr das Objekttracking die erweiterte Version des Kalman-Filters verwendet, deren
Berechnungsablauf im Anhang D dargestellt ist.
Fr das Tracking werden die einzelnen Schritte der Kalman-Filterung durch Methoden
zur Datenassoziierung
4
erweitert. Ergebnis eines Durchlaufs des Tracking-Algorithmus ist
eine Liste von gelterten Sensorobjekten mit ihren kinematischen Attributen, die auch als
Zustandsgren bezeichnet werden.
Nach [19] luft der Algorithmus zum Multi-Objekt-Tracking entsprechend Abbildung 5.6
ab. Begonnen wird mit Objekten, die bereits in der Umfeldbeschreibung vorliegen. Deren
Zustandsgren werden zeitlich auf den nchsten Messzeitpunkt des umfelderfassenden
Sensors prdiziert (Schritt (1)).
Die folgenden Verarbeitungsschritte dienen der Assoziation der empfangenen Messdaten
mit den bereits im System bekannten Objekten. Hierzu werden in Schritt (2) die prdizier-
ten Objektattribute ber ein Sensormodell in das Koordinatensystem des Sensors und in
von diesem messbare Merkmale (vgl. Abbildung 5.2) umgerechnet. Die Assoziation (Schritt
(3)) erfolgt dann ber Fangfenster (Wertebereiche), die um einen prdizierten Objektzu-
stand herum aufgespannt werden. Benden sich eine oder mehrere Messungen hinreichend
genau innerhalb eines solchen Bereichs, so sind sie mit dem entsprechenden Track zu assozi-
ieren. Derartige Bereiche innerhalb des Zustandsraums, die zur Datenassoziation verwendet
werden, nennt man Gating-Fenster.
Aus jedem Track und den mit ihm assoziierten Messdaten werden im Filterschritt (4)
aktualisierte Zustandsgren berechnet, die der Umfeldbeschreibung ber eine Trackliste
4
Zuordnung von gelterten Objektdaten und neuen Detektionen
zur Verfgung gestellt werden. Die Aktualisierung der Trackliste erfolgt innerhalb des Ob-
jektmanagements, indem neue Tracks fr Messungen, die nicht mit vorhandenen Tracks
assoziiert wurden, initialisiert werden und solche Tracks, die ber lngere Zeit mit keiner
Messung assoziiert wurden, gelscht werden (Schritt (5)). In der Regel wird innerhalb des
Objektmanagements fr jeden Track eine Existenzwahrscheinlichkeit berechnet, die ein
Ma fr die Sicherheit darstellt, dass sich an der gelterten Position tatschlich ein Objekt
bendet. Bei zu geringer Existenzwahrscheinlichkeit wird der entsprechende Track wieder
gelscht.
(3)
(2)
(1)
(4)
(5)
Objekte
Objekte
Objekte
Assoziierte
Objekte und
Messdaten
Objekte
Objekte
Messdaten
Abbildung 5.6: Schema des Multi-Objekt-Tracking [19]
Aus der Literatur sind verschiedene Anstze fr das Multi-Objekt-Tracking bekannt, die
sich in ihren Methoden zur Assoziation und zum Objektmanagement sowie in der Anzahl
der verwendeten Kalman-Filter unterscheiden. Die unterschiedlichen Methoden bedingen
auch eine unterschiedlich hohe Komplexitt der notwendigen Berechnungen und damit
verschieden hohe Anforderungen an die erforderliche Rechenleistung.
Teilt man die nach [9] bekannten Anstze nach ihrer Komplexitt ein, so lassen sich nach
Tabelle 5.2 drei Gruppen bilden. Eine detaillierte Beschreibung aller drei Anstze ist im
Anhang F angegeben. Um festzustellen, welcher der Anstze die Aufgaben des Objekt-
Trackings fr das warnende Nachtsichtsystem optimal erfllt, werden die entsprechenden
Algorithmen im Folgenden anhand der Anforderungen an die Umfeldbeschreibung vergli-
chen.
Die relevanten Anforderungen lassen sich, abgeleitet aus Tabelle 4.4, folgendermaen zu-
sammenfassen:
Zuweisung einer konstanten Objekt-ID ber die gesamte Messdauer eines Objekts
Schneller Anstieg der Existenzwahrscheinlichkeit bei sicher gemessenen Objekten
Schnelle Reduktion der Existenzwahrscheinlichkeit bei unsicher gemessenen Objekten
Hohe Przision bei der Bestimmung kinematischer Objektattribute
Bezeichnung Kurzbeschreibung Komplexitt
GNN
Datenassoziation beruht auf dem Prinzip Global Nearest Neigh-
bour, d.h., diejenige Detektion, die einem bestehenden Track am
nchsten liegt und sich noch innerhalb des Gating-Fensters ben-
det, wird zur Filterung des Tracks verwendet,
Auswahl der Detektion fr die Filterung erfolgt mit heuristischen
Methoden,
Jeder Track wird zur Filterung mit maximal einer Detektion fu-
sioniert,
Berechnung der Existenzwahrscheinlichkeit auf Basis der Anzahl
erfolgreicher Datenassoziationen fr einen Track
niedrig
JPDA
Joint Probabilistic Data Association, bei der Wahrscheinlich-
keiten fr die Zuordnung von Detektionen und Tracks miteinander
verrechnet werden,
Wahrscheinlichkeiten basieren auf Varianzen der Tracks und des
Messprozesses,
Mehrere Detektionen, die zu einem Objekt gehren
a
, knnen zur
Filterung desselben Tracks verwendet werden
Berechnung der Existenzwahrscheinlichkeit basiert auf Model-
lierung des Detektionsprozesses im Sensor als zweistuge Markov-
Kette
mittel
JPDA-IMM
Kombination des JPDA-Ansatzes zur Datenassoziation mit meh-
reren Kalman-Filtern, die als Interacting Multiple Model (inter-
agierendes multiples Modell) arbeiten und fr einen Track parallel
berechnet werden,
Anhand einer statistischen Auswertung der Varianzen wird je-
weils dasjenige Kalman-Filter (oder eine Kombination mehrerer
Kalman-Filter) verwendet, das die Objektbewegung am Besten
beschreibt,
Durch eine Mischung der Filter untereinander (Interaktion) wer-
den alle Kalman-Filter eines Tracks laufend anhand des ausgewhl-
ten Filters aktualisiert
hoch
Tabelle 5.2: Einteilung von Algorithmen zum Multi-Objekt-Tracking
a
z.B. Reektionen von verschiedenen Objektkanten
Die ersten drei Anforderungen betreen den Bereich Datenassoziation und Objektmana-
gement, die letzte Anforderung die Prdiktion und die Filterung der Daten.
Um quantitative Aussagen zum Erfllungsgrad einer bestimmten Anforderung durch einen
Algorithmus zu treen, werden das Assoziations- und Filterergebnis, d.h., der Verlauf der
Existenzwahrscheinlichkeit und der kinematischen Objektattribute, basierend auf Sensor-
daten, die in die Algorithmen eingespeist werden, analysiert. Die Abweichung der gelterten
Daten von der tatschlichen Umfeldsituation, der Ground Truth, in Form von Objektpo-
sitionen und -bewegungsrichtungen ist dann ein Ma fr die Erfllung der entsprechenden
Anforderung.
Die Komplexitt mglicher Objektkonstellationen macht es quasi unmglich, die Ground
Truth fr eine grere Anzahl von stehenden Objekten in der Realitt bei bewegtem Fahr-
zeug aufzuzeichnen. Daher bietet sich insbesondere fr die Analyse der Przision der
Schtzung kinematischer Objektattribute die Simulation mit einem kalibrierten Sensor-
modell an [6]. Dementsprechend wurden fr den Vergleich der Algorithmen zum Multi-
Objekt-Tracking neben realen Messdaten des Versuchsfahrzeugs auch simulierte Daten des
in Kapitel 3.1.1 dargestellten Sensormodells verwendet.
5.3.1 Datenassoziation und Objektmanagement
Zum Vergleich der Datenassoziation des GNN-, des JPDA- und des JPDA-IMM-Algorithmus
wurde mit allen drei Anstzen eine simulierte Folgefahrt durchgerechnet. Das vorausfahren-
de Objekt bendet sich in einer Entfernung von etwa 112 m vor dem eigenen Fahrzeug, die
Geschwindigkeit beider Fahrzeuge betrgt 27 m/s. Im Verlauf der Folgefahrt erzeugt das
Sensormodell als Reaktion auf eine simulierte Fluktuation des RCS eine Ortung mit einer
hohen lateralen Abweichung im Vergleich zu den brigen Messungen des vorausfahrenden
Fahrzeugs.
Die beiden Abbildungen 5.7 und 5.8 zeigen die unterschiedliche Reaktion der beiden As-
soziationsanstze GNN und JPDA. Hierzu ist jeweils im oberen Teil der Abbildungen der
zeitliche Verlauf der lateralen Position der Tracks (magenta und grne Rauten) und De-
tektionen (schwarze Sterne) dargestellt, die aus dem Original-Objekt (blaue Kreise) der
Fahrsimulation gebildet werden. Die schwarzen Verbindungslinien zwischen den Detek-
tionen und den Tracks zeigen an, mit welchem Track die entsprechende Ortung zu dem
jeweiligen Zeitpunkt assoziiert wurde. Im unteren Teil der Abbildungen ist der Verlauf der
im Objektmanagement berechneten Existenzwahrscheinlichkeit fr die dargestellten Tracks
angegeben.
Der durch das Sensormodell erzeugte Ausreier zum Zeitpunkt 770,66 s fhrt beim GNN-
Ansatz zur Initialisierung eines neuen Tracks (Track 2, grne Raute), da die Detektion
auerhalb des Gating-Fensters liegt. Der GNN-Ansatz assoziiert im weiteren Verlauf der
Szene die Detektionen mehrheitlich mit dem neuen Track, wodurch die Existenzwahrschein-
lichkeit des alten Tracks 1 soweit abgebaut wird, dass dieser schlielich zum Zeitpunkt
771,76 s vom Objektmanagement aus der Objektliste gelscht wird.
Dadurch verletzt der GNN-Ansatz eine wesentliche Anforderung des HMI, nmlich die
Zuweisung einer konstanten Objekt-ID ber die gesamte Messdauer eines Objekts. Da die
HMI-Logik Objekte, die einmal zur Anzeige ausgewhlt wurden, bis zum Verlassen der
prdizierten Fahrspur oder bis zum Lschen aus der Objektliste festhlt (vgl. Kapitel 4.2),
wrde in diesem Fall der Grauwert zunchst entsprechend der Existenzwahrscheinlichkeit
770.4 770.6 770.8 771 771.2 771.4 771.6 771.8
4.0
2.0
0.0
2.0
4.0
l
a
t
e
r
a
l
e

P
o
s
i
t
i
o
n

[
m
]
Zeit [s]
770.4 770.6 770.8 771 771.2 771.4 771.6 771.8
0.0
0.2
0.4
0.6
0.8
1.0
Zeit [s]
E
x
i
s
t
e
n
z
w
a
h
r
s
c
h
e
i
n
l
i
c
h
k
e
i
t

[
]
Track 1
Track 2
Detektion
Original Fahrsim
Track 1
Track 2
Abbildung 5.7: GNN-Tracking bei hoher Varianz der lateralen Positionsbestimmung des
Sensors
von Track 1 verringert und erst mit dem Lschen von Track 1 und dem bergang auf
Track 2 wieder erhht werden.
Die Ursache fr das beschriebene Verhalten des GNN-Ansatzes liegt darin, dass jede Or-
tung nur einmal mit einem Track assoziiert werden kann und dass die assoziierte Ortung
solange sie innerhalb des Gating-Fensters liegt vollstndig zur Filterung des Tracks bei-
trgt. Dies fhrt dazu, dass nach der Initialisierung von Track 2 der ursprngliche Track 1
aufgrund der fehlenden Aktualisierung mit einer Ortung von der tatschlichen Objekt-
position (blaue Kreise) abdriftet, whrend Track 2 durch die assoziierten Messungen zur
tatschlichen Objektposition hingezogen wird (vgl. Abbildung 5.7).
Die Entscheidung, mit welchem Track die Ortung assoziiert werden soll, wird beim GNN-
Algorithmus auf Basis einer gewichteten Summe der Abweichung der kinematischen Attri-
bute zwischen Track und Ortung gefllt (vgl. Anhang F.1.4 und Gleichung F.12). Stehen
mehrere Tracks zur Assoziation mit einer Ortung zur Auswahl, gewinnt das Track-Ortungs-
Paar mit der kleinsten gewichteten Summe. Dies fhrt bei der in Abbildung 5.7 dargestell-
ten Szene dazu, dass Track 2 zum Zeitpunkt 771,56 s sogar trotz einer hheren lateralen
Abweichung als Track 1 noch mit der Ortung assoziiert wird, da die Abweichungen hin-
sichtlich Position und Geschwindigkeit in longitudinaler Richtung fr Track 2 geringer
sind.
Der JPDA-Ansatz reagiert wesentlich intelligenter auf die Strung des Tracks 1. Zwar wird
auch in Abbildung 5.8 zum Zeitpunkt 770,66 s ein neuer Track initialisiert (Track 2, grne
Raute), allerdings erfolgt in den folgenden Zeitschritten eine Assoziation der Sensorde-
tektion nicht nur mit dem neuen Track 2, sondern auch mit dem alten Track 1. Wie der
untere Teil von Abbildung 5.8 zeigt, wird somit ein zu starker Einbruch der Existenz-
wahrscheinlichkeit von Track 1 durch die Strung vermieden. Whrend der Lebensdauer
von Track 2 werden die Detektionen zunehmend wieder Track 1 zugeschlagen, wodurch
770.4 770.6 770.8 771 771.2 771.4 771.6 771.8
4.0
2.0
0.0
2.0
4.0
Zeit [s]
l
a
t
e
r
a
l
e

P
o
s
i
t
i
o
n

[
m
]
770.4 770.6 770.8 771 771.2 771.4 771.6 771.8
0.0
0.2
0.4
0.6
0.8
1.0
Zeit [s]
E
x
i
s
t
e
n
z
w
a
h
r
s
c
h
e
i
n
l
i
c
h
k
e
i
t

[
]
Track 1
Track 2
Detektion
Original Fahrsim
Track 1
Track 2
Abbildung 5.8: JPDA-Tracking bei hoher Varianz der lateralen Positionsbestimmung des
Sensors
ein rascher Abbau der Existenzwahrscheinlichkeit von Track 2 erfolgt. Weitere Details zu
den tatschlichen Assoziationswahrscheinlichkeiten und den algorithmischen Vorgngen bei
dieser Datenassoziation sind in Anhang G dargestellt.
Die Existenzwahrscheinlichkeit von Track 2 erreicht einen Maximalwert von 0,24, bevor
der Track nach 0,4 s vom Objektmanagement wieder gelscht wird. Damit ergibt sich auch
hinsichtlich der Anforderung, eine schnelle Reduktion der Existenzwahrscheinlichkeit bei
unsicher gemessenen Objekten darzustellen, ein Vorteil fr die JPDA-Methode. Die Ergeb-
nisse fr den JPDA-IMM-Algorithmus weichen hinsichtlich der Datenassoziation und Be-
rechnung der Existenzwahrscheinlichkeit nur geringfgig von denen des JPDA-Algorithmus
ab. Daher wird auf eine detaillierte Diskussion an dieser Stelle verzichtet.
Eine Statistik der Lebensdauer von Tracks
5
mit einer bestimmten Existenzwahrschein-
lichkeit dient einer zustzlichen Analyse der Assoziationsmethoden von GNN- und JPDA-
Tracking. Dieser Vergleich berprft den Erfllungsgrad der Anforderung Schneller An-
stieg der Existenzwahrscheinlichkeit bei sicher gemessenen Objekten, indem die Hugkeit
und die Dauer verglichen werden, mit denen Tracks einen Schwellenwert der Existenzwahr-
scheinlichkeit berschreiten. Die Anforderung ist umso besser erfllt, je huger Tracks fr
eine lngere Zeitdauer eine hohe Existenzwahrscheinlichkeit aufweisen, da die entsprechen-
den Objekte dann vom System huger und frher besttigt werden. Als Basis fr die
Untersuchung dienen reale Messdaten von Autobahnen und Landstraen mit stehenden
Randobjekten sowie vorausfahrenden und entgegenkommenden Fahrzeugen.
In Abbildung 5.9 sind fr den GNN- und den JPDA-Ansatz Histogramme der Zeitdauern
dargestellt, mit der sich die von den Algorithmen erzeugten Tracks in einem Bereich der
Existenzwahrscheinlichkeit P
T
von 0,75 befanden. Deutlich zu erkennen ist der Vorteil
5
Lebensdauer eines Tracks: Zeitspanne, innerhalb derer die Existenzwahrscheinlichkeit einen Mindest-
wert berschreitet.
des JPDA-Ansatzes gegenber dem GNN-Ansatz. Bei einer Lebensdauer eines Tracks von
ber 1 s ist davon auszugehen, dass das betreende Objekt tatschlich existiert. Dennoch
liegt die Anzahl fr Existenzwahrscheinlichkeiten 0,75 fr den GNN-Ansatz bei knapp ei-
nem Drittel der Hugkeiten beim JPDA-Tracking. GNN erzeugt beispielsweise 31 Tracks,
die fr die Dauer von 1,11,3 s eine Existenzwahrscheinlichkeit P
T
0,75 besitzen. Fr
JPDA liegt die Anzahl an Tracks der entsprechenden Dauer und Existenzwahrscheinlichkeit
bei 97.
1 2 3 4 5
0
20
40
60
80
100
GNN
Dauer P
T
0.75 [s]
A
n
z
a
h
l

[
]
1 2 3 4 5
0
20
40
60
80
100
JPDA
Dauer P
T
0.75 [s]
A
n
z
a
h
l

[
]
Abbildung 5.9: Hugkeitsverteilung der Lebensdauer von Tracks mit einer Existenzwahr-
scheinlichkeit P
T
0,75 bei GNN- und JPDA-Assoziation
Das JPDA-Tracking verarbeitet die Sensordaten also wesentlich eektiver und erfllt die
Forderung nach einem schnellen Anstieg der Existenzwahrscheinlichkeit besser als das
GNN-Tracking. Dies ist einerseits darauf zurckzufhren, dass es beim GNN-Ansatz durch
das Hochzhlen erfolgreicher Datenassoziationen lnger dauert, bis entsprechende Werte
fr P
T
erreicht sind und liegt andererseits an der hheren Empndlichkeit der Existenz-
wahrscheinlichkeit fr Messaussetzer.
Die Ergebnisse der Untersuchungen zur Datenassoziation und zum Objektmanagement zei-
gen einen deutlichen Vorteil der JPDA-Methode gegenber dem GNN-Ansatz. Whrend
das JPDA-Tracking die Anforderungen an die Umfeldbeschreibung vollstndig erfllt, of-
fenbart der GNN-Ansatz eine Reihe von Schwchen, die zwar eine Verwendung fr die
Umfeldbeschreibung nicht ausschlieen, sich jedoch negativ auf die erzielbare Qualitt des
Trackings auswirken.
5.3.2 Prdiktion und Filterung der Daten
Die folgende Analyse bezieht sich auf die Anforderung nach einer hohen Przision bei
der Bestimmung kinematischer Objektattribute und ist auf die Qualitt der Filterung
der lateralen Track-Position ausgerichtet. Die Untersuchung dieser Daten ist fr die Sys-
tementwicklung wichtig, da der Radarsensor aufgrund des verwendeten Messprinzips eine
grere Abweichung bei der Bestimmung der lateralen Position als bei der Messung der
Entfernung oder der Relativgeschwindigkeit besitzt (vgl. Kapitel 1.1.1). Bei unzureichen-
der Filterung der lateralen Objektposition besteht die Gefahr, dass relevante Tracks (z.B.
vorausfahrende Fahrzeuge) aus dem Fahrbahnbereich, der zur HMI-Darstellung verwendet
wird, herauswandern. Umgekehrt knnten Randobjekte flschlicherweise in den relevanten
Bereich hineinwandern und so Fehlwarnungen auslsen.
Im Folgenden wird die Filterung auf Basis eines einzelnen Kalman-Filters (JPDA) mit
dem IMM-Ansatz (JPDA-IMM) bei Verwendung der JPDA-Methode zur Datenassoziation
verglichen.
Das JPDA-Kalman-Filter arbeitet mit einem Zustandsraummodell nach Singer
6
[79], das
IMM-Filter kombiniert den Singer-Ansatz mit dem Constant Turn Rate-Modell. Whrend
das Singer-Modell das verfolgte Objekt physikalisch als Massepunkt betrachtet, der sich in
x- und y-Richtung frei bewegen kann (vgl. Anhang F.1.1), erfolgt beim CTR-Modell eine
Kopplung von longitudinaler und lateraler Bewegung ber die Gierrate des Objekts.
Durch die Kombination der beiden Modelle im IMM-Filter, lsst sich die Physik eines
vorausfahrenden Objekts besser abbilden, ohne die Vorteile eines Singer-Filters bei der
Verfolgung quer bewegter oder stehender Objekte zu verlieren. Vorausfahrende Fahrzeuge
verhalten sich insbesondere bei Kurvenfahrt nicht wie Massepunkte, sondern bewegen
sich auf Kreisbahnen. Diese Form der Bewegung lsst sich besser durch das CTR-Modell
abbilden. Nhere Informationen zur Arbeitsweise der verwendeten Zustandsraummodelle
sind in Anhang F angegeben.
Zum Vergleich der Algorithmen wurde eine lngere Folgefahrt auf einer kurvigen Landstra-
e simuliert. Whrend der Fahrt verzgert und beschleunigt das vorausfahrende Fahrzeug
mehrmals. In Abbildung 5.10 ist ein Ausschnitt aus der simulierten Szene abgebildet. Im
oberen Teil der Abbildung ist der Verlauf der Track-Entfernung des vorausfahrenden Fahr-
zeugs zu sehen. Das mittlere Diagramm stellt den zeitlichen Verlauf der lateralen Positionen
des simulierten Fahrzeugs, der vom Sensormodell erzeugten Detektion sowie der vom IMM-
Filter berechneten lateralen Track-Position dar. Der untere Teil von Abbildung 5.10 zeigt
die Modellwahrscheinlichkeiten des IMM-Filters fr die Zustandsraummodelle des Singer-
Filters,
S
, und des Constant Turn Rate-Modells,
CTR
. Die Modellwahrscheinlichkeiten
geben an, wie stark das jeweilige Modell zur Berechnung des Filterergebnisses gewichtet
wird.
Zum Zeitpunkt 740 s beschleunigt das vorausfahrende Fahrzeug in eine Rechtskurve hinein.
Mit zunehmender Entfernung steigt die Varianz der lateralen Position der Sensordetektio-
nen an, wie im mittleren Diagramm in Abbildung 5.10 zu sehen ist. Der IMM-Algorithmus
erkennt, dass das beobachtete Objekt ein Manver ausfhrt und gewichtet automatisch
das CTR-Filter hher, dies wird deutlich am Anstieg von
CTR
im unteren Teil von Abbil-
dung 5.10. Dementsprechend fllt die Wahrscheinlichkeit des Singer-Filters
S
im gleichen
Zeitraum ab. Auf diese Weise wird der Vorteil des CTR-Modells bei der Filterung von
Kurvenfahrten optimal genutzt. Nach Beendigung des Manvers zum Zeitpunkt 753 s wird
im IMM-Algorithmus wieder das Singer-Modell verwendet.
7
Das dargestellte Verhalten ergibt sich durch die Rckkopplung der Abweichung zwischen
gemessener und aus der Filterung angenommener Objektposition und -bewegung in den
IMM-Filterprozess. Das Filtermodell, welches die Objektdynamik am Besten wiedergibt,
erzielt im statistischen Mittel die geringste Abweichung und als Folge die hchste Modell-
wahrscheinlichkeit.
Fr stehende Objekte kann standardmig das Singer-Modell mit einer (durch Wahl einer
niedrigen Varianz) eingeschrnkten Bewegungsfreiheit in y-Richtung verwendet werden, so
dass ein Hereinwandern von Randobjekten in den fr das HMI relevanten Fahrbahnbereich
vermieden wird.
6
Das Zustandsraummodell ist nach seinem Entwickler, R.A. Singer, benannt.
7
Die nach dem Zeitpunkt 753 s weiterhin erkennbare nderung der lateralen Position des Tracks wird
durch die Einfahrt des eigenen Fahrzeugs in die Rechtskurve erzeugt.
735 740 745 750 755 760 765 770
0
50
100
150
Zeit [s]
E
n
t
f
e
r
n
u
n
g

[
m
]
735 740 745 750 755 760 765 770
6
4
2
0
2
4
Zeit [s]
l
a
t
e
r
a
l
e

P
o
s
i
t
i
o
n

[
m
]
735 740 745 750 755 760 765 770
0
0.5
1
Zeit [s]
W
a
h
r
s
c
h
e
i
n
l
i
c
h
k
e
i
t

[
]
Original Fahrsim
Detektion
Track
CTR
Track
Abbildung 5.10: JPDA-IMM-Tracking bei Folgefahrt, oben: Trackpositionen in x-Richtung,
mitte: Trackpositionen in y-Richtung im Vergleich zu Detektion und Objekt aus der Fahr-
simulation, unten: IMM-Wahrscheinlichkeiten fr Singer- und Constant Turn Rate-Modell
Die ber einen lngeren Zeitraum durch die IMM-Filterung erzielbare Qualittsverbesse-
rung bei der Berechnung der lateralen Trackposition ist anhand des beschriebenen Folge-
fahrtszenarios in Abbildung 5.11 dargestellt. Die beiden Diagramme zeigen fr den JPDA-
und den JPDA-IMM-Ansatz Histogramme der Anzahl von Rechenzyklen bezogen auf die
laterale Abweichung zwischen der Position des Tracks, y
Track
, und der unverrauschten Po-
sition des simulierten Objekts, y
Fahrsim
. Zustzlich wurden die sich aus den Abweichungen
ergebenden Varianzen als Zahlenwerte angegeben.
Durch die Ergnzung der JPDA-Assoziation mit der IMM-Filterung lsst sich entsprechend
Abbildung 5.11 eine Reduktion der Varianz der lateralen Abweichung um 38 % erzielen.
Legt man nach [24] eine Fahrbahnbreite von 3 m fr Landstraen zu grunde, so kann eine
maximale laterale Abweichung zwischen gelterter und tatschlicher Objektposition von
1,5 m toleriert werden. Obwohl der JPDA-Ansatz mit nur einem Kalman-Filter diese
Grenze in wenigen Fllen berschreitet, liegen beide Algorithmen deutlich innerhalb der
Toleranzgrenze. Der hhere Rechenaufwand der JPDA-IMM-Filterung im Vergleich zur
JPDA-Filterung fhrt also zu keiner signikanten Verbesserung des Ergebnisses, weshalb
der JPDA-Ansatz fr das warnende Nachtsichtsystem zu bevorzugen ist.
2 1 0 1 2
0
50
100
150
JPDA
y
2
= 0.197 m
2
y
Track
y
Fahrsim
[m]
A
n
z
a
h
l

[
]
2 1 0 1 2
0
50
100
150
JPDAIMM
y
2
= 0.122 m
2
y
Track
y
Fahrsim
[m]
A
n
z
a
h
l

[
]
Abbildung 5.11: Hugkeitsverteilung der lateralen Abweichung zwischen Track und Ob-
jekt aus der Fahrsimulation bei JPDA- und JPDA-IMM-Filterung
5.4 Zusammenfassung
In diesem Kapitel wurde ein Vergleich verschieden komplexer algorithmischer Anstze fr
das Multi-Objekt-Tracking anhand von simulierten und realen Messdaten durchgefhrt.
Als Basis fr den Vergleich dienten die aus der HMI-Entwicklung abgeleiteten Anforderun-
gen an die Umfeldbeschreibung. Die verglichenen Algorithmen unterscheiden sich sowohl
im Bereich der Datenassoziation wie auch bei der Filterung des Bewegungszustands der
verfolgten Objekte. Den geringsten Rechenaufwand erfordert die Datenassoziation nach
dem Global Nearest Neighbor Prinzip (GNN), bei der ein bestehender Track immer nur
mit einer Messung fusioniert und zur Filterung ein einzelnes Kalman-Filter verwendet
wird. Eine Erweiterung im Bereich der Zuordnung von Messungen zu bestehenden Tracks
stellt die JPDA-Methode dar (Joint Probabilistic Data Association). Dieser Algorithmus
erlaubt es, mehrere Messungen, die Reektionen von unterschiedlichen Kanten eines Ob-
jekts darstellen knnen, ber Methoden der Wahrscheinlichkeitsrechnung mit einem Track
zu fusionieren. Zustzlich kann die JPDA-Datenassoziation mit der Objektlterung nach
dem Interacting Multiple Model (IMM) kombiniert werden, bei dem mehrere verschiede-
ne Kalman-Filter parallel Zustandsschtzungen berechnen, aus denen dann anhand von
statistischen Auswertungen das beste Filterergebnis ausgewhlt wird.
Bezogen auf die Anforderungen an das Objekttracking lsst sich resmieren, dass die
JPDA-Methode dem einfacheren GNN-Ansatz bei der Assoziation zweideutiger Sensorob-
jekt-Track-Konstellationen berlegen ist. Ein deutlicher Vorteil des JPDA-Ansatzes zeigt
sich auch beim schnellen Auf- und Abbau der Existenzwahrscheinlichkeit. Damit werden
durch den JPDA-Ansatz wesentliche Anforderungen aus HMI-Sicht besser erfllt als durch
das GNN-Tracking. Die IMM-Erweiterung der JPDA-Methode zeigt erkennbare Vorteile
bei der Filterqualitt. Allerdings erscheint der hhere Rechenaufwand vor dem Hinter-
grund der erzielbaren Verbesserung des lateralen Tracking-Ergebnisses fr die Anwendung
im Rahmen des warnenden Nachtsichtsystems nicht gerechtfertigt.
Kapitel 6
Entwicklung der Umfeldinterpretation
Die im Rahmen der HMI-Entwicklung zusammengestellte Schnittstellendenition zur In-
formationsplattform nach Tabelle 4.3 beinhaltet zwei Informationen, die von der Umfeld-
interpretation geliefert werden mssen:
Spurplausibilitt fr jedes Objekt, bezogen auf die Fahrspur des eigenen Fahrzeugs
und
Kursprdiktion des eigenen Fahrzeugs.
Da es naheliegend ist, die Berechnung der Spurplausibilitt anhand der Kursprdiktion
durchzufhren, stellen die Eingangsdaten zur Spurplausibilisierung zustzliche Anforderun-
gen an die Berechnung der Kursprdiktion dar. Die folgenden Erluterungen zur Umfeld-
interpretation folgen jedoch nicht einer Ableitung der Kursprdiktion anhand der Anfor-
derungen der Spurplausibilisierung, sondern den Ablufen in der Signalverarbeitungskette,
d.h., ausgehend von der Verarbeitung der Sensordaten zur Detektion des Fahrbahnver-
laufs ber die Mischung der einzelnen Informationen fr eine Schtzung des zuknftigen
Fahrzeugkurses bis zur Berechnung der Spurplausibilitt. Bezogen auf die in Kapitel 1.2
beschriebene Entwicklungsmethodik stellt diese Vorgehensweise einen Wechsel von Top-
Down (entsprechend den Anforderungen) nach Bottom-Up (auf Basis der vorhandenen
Informationen) dar und bietet sich aufgrund der bereits feststehenden Sensorkonguration
an.
6.1 Kursprdiktion
Der Verlauf von Straen setzt sich normalerweise aus Klothoidenabschnitten zusammen
[24]. Fr die Beschreibung des zuknftigen Fahrbahnverlaufs wird bei Fahrerassistenzsys-
temen gewhnlich auf ein Polynom hheren Grades zurckgegrien, mit dem der Verlauf
der Klothoiden bis auf einen geringen Fehler angenhert wird, vgl. [18], [39] und [69]. Der
generelle Ansatz zur Approximation mit einem Polynom dritter Ordnung ist, bezogen auf
das fahrzeugfeste Koordinatensystem aus Abbildung 5.1, in Gleichung 6.1 wiedergegeben.
Die Variable y
course
gibt den zentralen Verlauf der Kursprdiktion an, y
0
ist zur Berck-
sichtigung eines Fahrzeugquerversatzes relativ zur Fahrspur vorgesehen.
y
course
(x) = y
0
+c
0
x +
1
2
c
1
x
2
+
1
6
c
2
x
3
(6.1)
84 6. Entwicklung der Umfeldinterpretation
Mit:
y
course
: y-Position der Kursprdiktion im Abstand x
y
0
: y-Ablage im Abstand x = 0 (Querversatz innerhalb der Fahrspur)
c
0
, c
1
, c
2
: Koezienten der Polynomapproximation
Im Rahmen dieser Arbeit sollen die folgenden Quellen zur Kursprdiktion miteinander
fusioniert werden:
die Spurdetektion des Videosensors,
eine Spurverlaufsschtzung aus den Trajektorien bewegter Objekte, TFE (Trac
Flow Estimation),
eine Kursprdiktion aus den Positionen stehender Randobjekte, RBE (Road Border
Estimation) und
die aus der Gierrate des eigenen Fahrzeugs berechnete Kurskrmmung.
Die Nutzung digitaler Karten zur Sttzung der Kursprdiktion wurde bereits in einer Reihe
von Publikationen untersucht (vgl. [39], [80], [46]). Die Ergebnisse zeigen bereinstimmend,
dass die Nutzung dieser Daten ein fr zuknftige Anwendungen vielversprechender Ansatz
ist. Allerdings reicht die Genauigkeit der aktuell auf dem Markt bendlichen Karten oft-
mals fr eine zuverlssige Kursprdiktion, die in der Lage ist, relevante Hindernisse von
Randobjekten zu unterscheiden, nicht aus. Daher wurde im Rahmen dieser Arbeit auf die
Einbindung einer digitalen Karte verzichtet.
Das Funktionsprinzip der videobasierten Spurdetektion und die Qualitt der vom Video-
sensor gelieferten Linieninformationen wurden bereits in Kapitel 3.1.2 ausfhrlich disku-
tiert. An dieser Stelle soll daher lediglich darauf hingewiesen werden, dass die videobasierte
Spurdetektion zusammen mit der Beschreibung detektierter Markierungen auch eine Reihe
von Qualittsmerkmalen ausgibt. Hierzu zhlt eine Existenzwahrscheinlichkeit der entspre-
chenden Linie und eine Plausibilisierung, ob die Linie der eigenen Fahrspur zuzuordnen ist.
Die Qualittsmerkmale beruhen auf Abweichungen zwischen den gespeicherten Fahrbahn-
modellen und der detektierten Spur. Auerdem werden Linien mit einer hohen Varianz
der Position der Messpunkte mit einer niedrigeren Qualitt versehen. Zur Mischung mit
den anderen Datenquellen fr die Kursprdiktion wird immer die Linie mit der hchsten
Qualitt ausgewhlt.
6.1.1 Spurverlaufsvorhersage anhand bewegter Objekte
Berechnungsmethoden zur Bestimmung des zuknftigen Fahrbahnverlaufs aus den Trajek-
torien bewegter Objekte (TFE) werden in [85] fr einen rein krmmungsbasierten Ansatz
und in [69] fr ein Polynom dritten Grades dargestellt. Im Rahmen dieser Arbeit wurde
auf die bekannten Ergebnisse aufgebaut und eine an [85] angelehnte Methode implemen-
tiert, bei der fr jedes erfasste Fahrzeug eine eigene Trajektorie und daraus eine entspre-
chende Kursprdiktion berechnet wird. Die Trajektorien mehrerer Fahrzeuge werden in
jedem Rechenschritt sequentiell einem Kalman-Filter zugefhrt, der, hnlich dem in [69]
beschriebenen Verfahren, anhand eines Parabelansatzes eine Schtzung des zuknftigen
Fahrspurverlaufs berechnet.
Die Verwendung von Parabeln zur Schtzung erlaubt lediglich eine Aussage zur Krm-
mung. Das bedeutet fr den gewhlten Ansatz zur Mischung der Prdiktionsquellen (vgl.
6.1 Kursprdiktion 85
Kapitel 6.1.3), dass c
2
mit 0 angenommen wird. Obwohl damit ein Informationsverlust in
Kauf genommen werden muss, hat sich dieses Verfahren in Tests mit realen und simulierten
Daten im Vergleich zu einem Polynom dritten Grades als stabiler erwiesen.
Da das System fr den Einsatz auf Landstraen ausgelegt werden soll, wurde auf die in
[85] beschriebene Detektion und Aussortierung von Aus- oder Einscherern verzichtet. Die
Schtzung der Qualitt der beschriebenen Kursprdiktion beruht im Wesentlichen auf einer
Analyse der Verteilung der zur Kursprdiktion verwendeten Fahrzeugpositionen ber der
Entfernung. Eine gleichmige Verteilung bis in eine groe Entfernung hinein fhrt zu einer
hohen Prdiktionsqualitt.
6.1.2 Spurverlaufsvorhersage anhand stehender Objekte
Ziel der Fahrspurvorhersage anhand stehender Objekte ist es, aus einer Auswahl detektier-
ter Randobjekte eine Schtzung des zuknftigen Fahrbahnverlaufs abzuleiten. Der Vorteil
des Verfahrens liegt darin, dass, insbesondere in Szenen mit einer Vielzahl von fr den
Radarsensor gut sichtbaren Randobjekten (z.B. Leitplanken), die Reichweite der Kurspr-
diktion deutlich erhht werden kann.
Problematisch ist jedoch, dass a priori nicht bekannt ist, welche stehenden Objekte dem
Fahrbahnrand zuzuordnen sind und welche Objekte potenzielle Hindernisse auf der Fahr-
bahn darstellen. In der Arbeit von [51] wird zur Lsung dieses Problems ein Verfahren
vorgeschlagen, bei dem Parabeln durch alle mglichen Kombinationen aus jeweils zwei ste-
henden Objekten gelegt werden, ein Beispiel hierzu ist in Abbildung 6.1 dargestellt. Die
Krmmungen der Parabeln werden nach einer Einsortierung in Klassen statistisch analy-
siert und es wird die Krmmung als Schtzung ausgegeben, die am hugsten vorkommt.
0 20 40 60 80 100 120
-20
-15
-10
-5
0
5
10
15
20
Datei: B10-back MessIndex = 644 v
Ref
= 17
m
/s = 62
km
/h

Abbildung 6.1: Parabeln durch alle Paarungen aus je zwei stehenden Objekten [51]
Das beschriebene Verfahren hat sich laut [51] in verschiedenen Tests mit simulierten und
realen Verteilungen von stehenden Objekten als robust und unempndlich gegenber Ab-
weichungen der Positionen einzelner Objekte vom Fahrbahnrand erwiesen.
Obwohl der Parabelansatz im Zusammenhang mit der Robustheit der Spurverlaufsvorher-
sage von Vorteil ist, bewirkt seine Einschrnkung auf eine Schtzung der Krmmung und
der lateralen Ablage, dass Wechselkurven mit diesem Ansatz nicht darstellbar sind.
Daher wird in [69] ein Polynomansatz nach Gleichung 6.2 fr die Modellierung des Fahr-
spurverlaufs aus stehenden Objekten vorgeschlagen.
y(x) = y
0
+
1
2
c
1
x
2
+
1
6
c
2
x
3
(6.2)
Die Anwendung eines Polynoms nach Gleichung 6.2 auf die Methode von [51] wrde es
erforderlich machen, eine Klasseneinteilung der Parameter c
1
und c
2
vorzunehmen. Um zu
klren, wie gro der Rechenaufwand fr das genannte Verfahren wre, wurde eine Analyse
der gegenseitigen Abhngigkeit der Koezienten
1
2
c
1
= a und
1
6
c
2
= b durchgefhrt.
Abbildung 6.2 zeigt hierzu eine Szene mit 19 stehenden Objekten, deren Positionen im
fahrzeugfesten Koordinatensystem mit schwarzen Ellipsen markiert wurden. An drei der
Objektpositionen wurde eine Kurve nach Gleichung 6.2 mit dem Least Squares-Verfahren
angepasst. Auerdem wurden diese Punkte in y-Richtung je um einen Meter nach links und
nach rechts verschoben. Durch eine erneute Polynomapproximation anhand der verscho-
benen Punkte und eine Sensitivittsanalyse der ermittelten Koezienten lsst sich eine
Aussage treen, wie sich eine Variation des Spurverlaufs auf die Werte der Koezienten
und damit auf den erforderlichen Aufwand zur Einteilung in Klassen auswirken wrde.
Abbildung 6.2: Variation der lateralen Objektposition und Einuss auf den Verlauf einer
Approximation mit einem Polynom dritten Grades
Im linken Teil von Abbildung 6.3 ist die gleiche Situation mit 1000 normalverteilten Ver-
schiebungen ( = 1 m) dargestellt, der rechte Teil der Abbildung zeigt als Ergebnis der
Polynomappriximationen den Zusammenhang der Polynomkoezienten.
Abbildung 6.3 kann zur Sensitivittsanalyse der Parameter a und b bzgl. der lateralen Ob-
jektpositionen herangezogen werden. Da sich die Werte innerhalb einer schmalen Ellipse
konzentrieren, msste fr die Einteilung von c
1
und c
2
in Klassen nach [51] ein zweidimen-
sionales Feld mit entsprechend hohem Speicherbedarf aufgespannt werden. Da die beiden
Parameter jedoch nicht unabhngig voneinander betrachtet werden knnen, ist eine Bestim-
mung des wahrscheinlichen Fahrbahnverlaufs anhand der Hugkeiten bestimmter Klassen
schwierig. Hinzu kommt der Rechenaufwand, den eine solche Einteilung verursachen wrde.
Hierzu eine Abschtzung:
Angenommen, es gibt n = 20 Objekte. Die Anzahl der unterschiedlichen Kombinationen
von jeweils k = 3 Objekten aus der Menge n ergibt nach Gleichung 6.3: C
3
20
= 1140.
C
k
n
=
n!
(n k)! k!
(6.3)
6.1 Kursprdiktion 87
2
1.5
1
0.5
0
-0.5
-1
0
0 0.5 -0.5 -1 1 1.5
a x 10
-5
[1/m]
b

x

1
0
-
3
[
1
/
m
2
]
Abbildung 6.3: Variation der lateralen Objektposition (links) und Ergebnis fr die Streuung
der Parameter a und b der Approximation mit einem Polynom dritten Grades (rechts)
Bei einer Anzahl von l = 50 Klassen (vgl. [51]) sind rund k l l = 2,85 10
6
Rechenschritte
fr die Klasseneinteilung in jedem Rechenzyklus innerhalb von Schleifen ntig. Die Instal-
lation einer entsprechenden Rechenleistung wre fr ein serienmig gefertigtes Fahreras-
sistenzsystem zum gegenwrtigen Zeitpunkt nicht bezahlbar. Um dennoch in Situationen
mit einer hohen Anzahl stehender Objekte das Prdiktionsergebnis fr die Fahrspur mit
einer Klothoidenapproximation verbessern und Wechselkurven erkennen zu knnen, wur-
de diese Approximation zustzlich zu dem Ansatz nach [51] in der Umfeldinterpretation
implementiert.
Die entwickelte Implementierung berechnet zunchst eine Parabelapproximation fr den
Spurverlauf auf Basis aller stehenden Objekte. Hierzu werden wie bei [51] so lange
Parabeln durch jeweils zwei Objekte gelegt, bis alle Objektkombinationen durchgespielt
wurden. Aus der so berechneten Menge von mglichen Krmmungen wird der Median
gebildet. Anhand des Medians kann eine grobe Sortierung der gemessenen Objekte nach
linkem und rechtem Fahrbahnrand erfolgen. Fr die weitere Verarbeitung werden die y-
Positionen der Objekte entsprechend der Straenseite, der sie zugeordnet wurden, verscho-
ben, so dass sich die verschobenen Objektpositionen in der Mitte der Fahrspur benden.
Dazu wird die typische Fahrbahnbreite einer Landstrae angenommen. Die so manipulierte
Objektliste wird einem Kalman-Filter zur Berechnung einer Polynomapproximation nach
Gleichung 6.2 zugefhrt.
Der beschriebene Algorithmus wird zusammen mit dem Prinzip zur Prdiktion nach [51]
durchgerechnet und am Ende werden fr beide Prdiktionsergebnisse Qualitten berech-
net. Das Prdiktionsergebnis mit der hheren Qualitt wird zur Mischung mit den anderen
Quellen zur Fahrpurprdiktion ausgewhlt. Nimmt man links und rechts neben der Kurs-
prdiktion eine halbe Fahrbahnbreite an, so ist die Qualitt des jeweiligen Prdiktionser-
gebnisses umso hher,
je grer die Anzahl der Objekte ist, die dem prdizierten Fahrbahnverlauf unmit-
telbar zugeordnet werden knnen, sich aber nicht innerhalb des Fahrbahnbereichs
benden und
je geringer die Anzahl der Objekte ist, die sich innerhalb des prdizierten Fahrbahn-
bereichs benden.
Die Objekte, die dem prdizierten Fahrbahnverlauf unmittelbar zugeordnet werden knnen,
stellen nach [51] die Menge der Nutzobjekte dar. Je hher diese Anzahl ist, desto grer ist
die Basis an stehenden Objekten, auf denen die Prdiktion basiert und desto hher ist die
Wahrscheinlichkeit, dass die Prdiktion mit der Realitt bereinstimmt. Im Gegensatz dazu
wird die Anzahl der Objekte, die sich innerhalb des prdizierten Fahrspurverlaufs benden,
dazu verwendet, um die Qualitt der Prdiktion herabzustufen, da es unwahrscheinlich ist,
dass sich ein Fahrzeug insbesondere auf Landstraen auf einen Bereich zubewegt, in
dem sich viele stehende Objekte auf der Fahrbahn benden.
6.1.3 Mischung verschiedener Quellen zur Kursprdiktion
Zur Mischung der Prdiktionsquellen stellen die Verentlichungen [69] und [70] ein Ver-
fahren vor, bei dem die Daten in quidistante Punkte im fahrzeugfesten Koordinatensystem
umgerechnet und auf Punktebene hinsichtlich der lateralen Abweichung miteinander ver-
rechnet werden. Aus den verschiedenen y-Positionen des Fahrzeugkurses, die sich aus den
Prdiktionsquellen ergeben, wird fr jeden Abstand eine gewichtete Summe der zugeh-
rigen Punkte gebildet. Die Gewichtungsfaktoren fr die Summenbildung errechnen sich
einerseits aus Qualittsmerkmalen der Schtzungen und sind andererseits von der Reich-
weite verschiedener Prdiktionsverfahren abhngig.
Das beschriebene Mischungsverfahren wird in [39] mit einer Mischung auf Koezientene-
bene verglichen. Fr den Koezientenansatz werden alle Prdiktionsquellen in das Poly-
nom aus Gleichung 6.1 umgerechnet. Zum Vergleich der Mischungsverfahren werden die
Kursprdiktion aus den Trajektorien bewegter Objekte mit der Spurdetektion eines Video-
sensors und den Daten einer digitalen Karte gemischt, indem eine gewichtete Summe der
Koezienten c
0
, c
1
und c
2
gebildet wird. Das Ergebnis der in [39] beschriebenen Arbeiten
zeigt eine grere Robustheit des koezientenbasierten Ansatzes im Vergleich zur Mischung
auf Punktebene. Der wesentliche Vorteil der Spurfusion auf Koezientenebene liegt in einer
geringeren Abhngigkeit des Ergebnisses von Punkten, die sich in einem groen Abstand
zum eigenen Fahrzeug benden. Bei einer Mischung auf Ebene der y-Positionen und ei-
ner anschlieenden Rckrechnung in eine Koezentenform nach Gleichung 6.1 besteht die
Gefahr, dass wenige, weit entfernte Punkte die Berechnung des Polynoms und damit das
Mischungsergebnis auch im Nahbereich signikant beeinussen.
Aus diesem Grund wurde fr das warnende Nachtsichtsystem ein Ansatz zur Spurfusion
auf Koezientenebene gewhlt. Grundstzlich ist davon auszugehen, dass der Ursprung
des Fahrkorridors immer mit dem Ursprung des fahrzeugfesten Koordinatensystems ber-
einstimmt. Die Bewegungsmglichkeiten des Fahrzeugs nach dem Einspurmodell geben
auerdem vor, dass die Kursprdiktion parallel zur x-Achse des Koordinatensystems be-
ginnen muss, d.h., der Koezient c
0
in Gleichung 6.1 muss ebenso wie die y-Ablage zu
Beginn der Kursprdiktion, y
0
, 0 sein.
Mit der genannten Einschrnkung kann Gleichung 6.1 fr die Mischung der Daten zur
Kursprdiktion verwendet werden. Die Verrechnung der einzelnen Beitrge erfolgt fr den
Parameter c
1
nach Gleichung 6.4, die Berechnung von c
2
wird analog zu Gleichung 6.4
durchgefhrt.
c
1
=
N
Quellen
q=1
_
w
q
2
c
1,q
c
1,q
_
N
Quellen
q=1
_
w
q
2
c
1,q
_ (6.4)
6.2 Spurplausibilisierung 89
Mit:
N
Quellen
: Anzahl der Quellen zur Kursprdiktion
w
q
: Gewichtung der Quelle q
c
1,q
: Parameter der Krmmungsschtzung fr Quelle q
2
c
1,q
: Kovarianz der letzten zwei Werte des Parameters c
1
fr Quelle q
Die Einbeziehung der Kovarianz der letzten zwei Werte des Parameters c
1
fr jede Quelle
der Kursprdiktion dient dazu, starke Sprnge in der gewichteten Summe zu vermeiden,
wenn eine der Quellen kurzzeitig eine hohe Abweichung zeigt. Da die Berechnung der Va-
rianz lediglich auf zwei Werte und damit auf zwei Zyklen 0,1 s begrenzt ist, werden
Kurveneingnge und damit verbundene lnger andauernde Krmmungsnderungen den-
noch rechtzeitig in das Mischungsergebnis mit einbezogen.
Der Wert w
q
zur Gewichtung liegt im Wertebereich [0, 1] und wird direkt aus den berech-
neten Qualitten der verschiedenen Quellen abgeleitet.
Zur Einbeziehung der Gierrate des eigenen Fahrzeugs wird der Wert c
1
aus der Krmmung
der Fahrzeugtrajektorie gem Gleichung 6.5 gebildet:
c
1,Fzg
=
v
(6.5)
Die Berechnung der Geschwindigkeit v und der Gierrate

erfolgt entsprechend der in
Kapitel 5.2 und in Anhang E dargestellten Vorgehensweise zur Filterung der Fahrzeugbe-
wegung. Gleichung 6.5 lsst sich unter der Annahme verwenden, dass sich das Fahrzeug
zumindest fr einen gewissen Zeitraum in der Zukunft stationr verhlt und sich auf der
ermittelten Bahnkurve weiterbewegt. Die Krmmungsnderung, c
2,Fzg
, beschreibt jedoch
eine nderung dieses stationren Zustands und lsst sich somit auf Basis der aktuell ge-
messenen Fahrzeugbewegung nicht ermitteln. Aus diesem Grund wird c
2,Fzg
zur Mischung
mit den anderen Prdiktionsquellen mit 0 angenommen.
6.2 Spurplausibilisierung
Bei der Entwicklung des HMI (vgl. Kapitel 4.1.1) wurde die Spurplausibilitt als eine Gre
deniert, die sich aus der, relativ zum Fahrspurverlauf ermittelten, lateralen Objektposition
ableitet. Die Hhe der Spurplausibilitt soll entsprechend Tabelle 4.4 angeben, wie sicher
die Zuordnung des Objekts zur Fahrspur des eigenen Fahrzeugs ist.
Die Spurplausibilitt P
S
wird, hnlich der Existenzwahrscheinlichkeit eines Tracks P
T
, im
Wertebereich [0, 1] deniert. Zur Berechnung der Spurplausibilitt wird ein Zhler entspre-
chend der Objektposition relativ zu einem geometrischen Plausibilisierungsbereich vor dem
eigenen Fahrzeug erhht oder verringert.
Die Vorgehensweise hierzu ist im linken Teil von Abbildung 6.4 dargestellt. Entlang des
prdizierten Fahrbahnverlaufs, der in diesem Fall der y-Achse entspricht, werden zwei Fahr-
korridore angenommen. Die beiden Korridore stellen den mglichen Fahrspurverlauf fr den
Fall dar, dass sich das Fahrzeug einer Linkskurve oder einer Rechtskurve einer vorgegebenen
Krmmung annhert.
1
Damit knnen die Korridore auch als mglicherweise vorhandene
Krmmungsfehler interpretiert werden, die die Abweichung zwischen angenommener und
tatschlich vorhandener Fahrbahnkrmmung angeben.
x
Fahrzeugfestes
Koordinaten-
system
y
x
Reichweite
videobasierte
Spurdetektion
Bereich, innerhalb dem
ein Objekt sich mit
hoher Wahrscheinlich-
keit innerhalb der
eigenen Spur befindet
Krmmungsfehler
fr nicht erkannte
Rechtskurve
Krmmungsfehler
fr nicht erkannte
Linkskurve
Beginn der
Kurve
y
Fahrkorridor fr
nicht erkannte
Rechtskurve
Fahrkorridor fr
nicht erkannte
Linkskurve
ein Objekt sich mg-
licherweise innerhalb
der eigenen Spur
befindet
ein Objekt sich mit
hoher Wahrscheinlich-
keit nicht innerhalb der
eigenen Spur befindet
Abbildung 6.4: Geometrie fr die Spurplausibilisierung, links: Fahrkorridore der Fehler-
krmmungen, rechts: Zone hoher Spurzugehrigkeit im Zusammenspiel mit Videospurde-
tektion und tatschlichem Fahrbahnverlauf
Die Schnittmenge der beiden Korridore deniert den Fahrbahnbereich, in dem ein Objekt
auch dann mit hoher Wahrscheinlichkeit der eigenen Fahrspur zugeordnet werden kann,
wenn die Fahrspurprdiktion den angenommenen Krmmungsfehler aufweist (schraerter
Bereich im linken Teil von Abbildung 6.4). Aufgrund der begrenzten Reichweite der Senso-
rik ist es mglich, dass z.B. bei Geradeausfahrt noch ein gerader Fahrbahnverlauf angenom-
men wird, obwohl sich das Fahrzeug bereits einer Kurve annhert. Diese Unzulnglichkeit
bei der Kursprdiktion lsst sich durch die Einbeziehung von Krmmungsfehlern bei der
Spurplausibilisierung bercksichtigen. Zur Berechnung von P
S
wird das folgende Schema
angewendet:
Liegt die Objektposition mit hoher Wahrscheinlichkeit innerhalb der eigenen Spur
(schraerter Bereich im linken Teil von Abbildung 6.4), erfolgt eine stufenweise Er-
hhung von P
S
bis auf 1.
Fr ein Objekt mit einer Position auerhalb der Fahrkorridore wird P
S
schrittweise
auf 0 reduziert.
1
Die angenommene Krmmung der Links- und Rechtskurve sollte sich an den auf Landstraen blichen
Krmmungsradien orientieren, vgl. [24].
Im rechten Teil von Abbildung 6.4 ist der sich ergebende Fahrbahnbereich fr die Plau-
sibilisierung im Zusammenhang mit der Einfahrt in eine Kurve und der Reichweite der
Videosensorik dargestellt. Obwohl die Einfahrt in die Kurve weder aufgrund einer Lenk-
winkelnderung des Fahrers, noch anhand der Daten der Videosensorik detektiert wur-
de, kann die Wahrscheinlichkeit einer fehlerhaften Plausibilisierung von Randobjekten im
Kurveneingang durch die Geometrie des Fahrkorridors zur Spurplausibilisierung reduziert
werden. Innerhalb einer Kurvenfahrt werden die Polynomkurven fr den Krmmungsfehler
der detektierten Fahrbahnkrmmung angepasst.
P
S
x
y
y
x
1
x
2
x
3
P
S
( y) fr x
1
P
S
( y) fr x
2
P
S
( y) fr x
3
Abbildung 6.5: Berechnung der Spurplausibilisierung anhand von Zuordnungsbereichen
relativ zur Kursprdiktion
Fr ein Objekt, welches sich auerhalb der Fahrkorridore bendet, kann mit hoher Sicher-
heit eine Zuordnung zur eigenen Fahrspur ausgeschlossen werden. Bendet sich ein Objekt
innerhalb eines der Korridore, aber auerhalb der Schnittmenge, so ist es mglich, dass es
sich innerhalb der eigenen Fahrspur bendet, eine fehlerhafte Zuordnung zur eigenen Fahr-
spur ist aber ebenso wahrscheinlich. Um diesen Fall zu bercksichtigen, wird die Logik zur
Erhhung oder Reduktion der Spurplausibilitt folgendermaen ergnzt:
Bendet sich ein Objekt in x-Richtung in grerer Entfernung als der Schnittpunkt
der inneren Grenzlinien der Fahrkorridore, ist keine Fahrspurzuordnung mglich und
die Spurplausibilitt wird stufenweise bis auf 0 reduziert.
Bei Objekten, die noch innerhalb der Fahrkorridore, aber auerhalb des schraerten
Kernbereichs liegen, wird zur Entscheidung, ob P
S
verringert oder erhht werden
soll, eine lineare Interpolation anhand der lateralen Objektposition, bezogen auf die
Grenzen der Plausibilisierungsbereiche vorgenommen.
Die beschriebene Vorgehensweise zur Berechnung der Spurplausibilitt ist in Abbildung 6.5
dargestellt. Im unteren Teil der Abbildung ist der Verlauf der Kennlinie zur Erhhung oder
zur Verringerung von P
S
als Funktion der lateralen Position relativ zur Kursprdiktion fr
verschiedene Objektabstnde dargestellt. Durch die vertikalen Linien wird der Zusammen-
hang zwischen dem Verlauf der Kennlinie und der Geometrie der Bereiche zur Spurzuord-
nung deutlich. In der Entfernung x
3
wird beispielsweise nur in einem Punkt der lateralen
Objektposition die hchste Stufe zur Erhhung von P
S
erreicht (P
S
ist maximal positiv).
An den brigen Positionen wird zwischen diesem und dem niedrigsten Wert am ueren
Rand der Fahrkorridore (P
S
ist maximal negativ) interpoliert.
Die durch die Kennlinie vorgegebenen maximalen Werte zur Erhhung oder zur Verringe-
rung der Spurplausibilitt sollten so hoch gewhlt werden, dass im Sinne der Anforderungen
des HMI bei relevanten Objekten in kurzer Zeit ein hoher Wert fr P
S
erreicht wird.
6.2.1 Zustzliche Manahmen zur Vermeidung von fehlerhaften
Spurplausibilisierungen
Der Ansatz zur Spurplausibilisierung anhand von Krmmungsfehlern bercksichtigt in ers-
ter Linie die unzureichenden Informationen, die das System ber den Fahrbahnverlauf im
Fernbereich hat. Bei der Wahl der Krmmungsfehler muss ein Kompromiss zwischen der
Vermeidung fehlerhafter Spurplausibilisierungen einerseits (dies bedeutet, einen mglichst
groen Krmmungsfehler anzunehmen) und hoher Reichweite des Systems andererseits
(dies bedeutet, einen mglichst kleinen Krmmungsfehler anzunehmen) gefunden werden.
Daher ist es vorteilhaft, zustzliche Logiken einzufhren, die in bestimmten Fahrsituatio-
nen, die durch die Annahme der Krmmungsfehler allein nicht abgefangen werden knnen,
falsche Plausibilisierungen vermeiden. Im Folgenden werden eine Reihe solcher Manah-
men erlutert, deren Einsatz sich im Verlauf der Entwicklungsarbeit zur Vermeidung von
fehlerhaften Spurplausibilisierungen und damit verbundenen Fehlwarnungen als sinnvoll
erwiesen hat.
Adaptive Breite und Position des Fahrkorridors
Vorausfahrende Objekte benden sich insbesondere auf den fr das System relevanten
Landstraenszenarien in der Regel innerhalb der Fahrspur des eigenen Fahrzeugs. Um bei
Folgefahrten trotz leicht versetzt fahrender Objekte eine stabile Spurplausibilisierung zu
erzielen, sollte der Fahrkorridor mglichst breit gewhlt werden. Um dennoch Fehlwarnun-
gen aufgrund von falsch plausibilisierten Randobjekten wie Seitenpfosten zu vermeiden,
wird ein breiterer Korridor zur Plausibilisierung von bewegten Objekten und ein schmaler-
er Korridor fr stehende Hindernisse verwendet. Die Unterscheidung zwischen stehenden
und bewegten Objekten erfolgt anhand der Relativgeschwindigkeit zum eigenen Fahrzeug.
Eine weitere Verbesserung, insbesondere bei stehenden Randobjekten, wird durch die Ver-
wendung des vom Videosensor gelieferten lateralen Abstands [27] der Fahrspur zur Fahr-
zeugmitte fr eine Verschiebung des Plausibilisierungsbereichs erzielt. hnlich einer Oset-
korrektur knnen durch diese Zusatzinformation fehlerhafte Plausibilisierungen bei Fahrten
nahe am Fahrbahnrand vermieden werden, ohne dass der Fahrkorridor zu sehr eingeengt
werden muss. Dazu wird der geometrische Bereich zur Spurplausibilisierung so weit ge-
genber der Fahrzeugmittelachse versetzt, dass der rechte Rand der Zone, innerhalb der
Objekte der eigenen Spur zugeordnet werden, mit dem vom Videosensor detektierten Fahr-
bahnrand bereinstimmt.
Bercksichtigung der Kovarianz der Krmmungsschtzung
Das zu spte Erkennen einer Kurve durch die Fahrspurdetektion uert sich hug in einer
pltzlichen und schnellen nderung des Krmmungsparameters c
1
in Gleichung 6.1. Die
Ursache hierfr ist, dass sich das Fahrzeug beim Erkennen der Kurve relativ weit innerhalb
der Kurve bendet und der kontinuierliche bergang vom Geradenstck zur Kurvenfahrt
in Form einer Klothoide bereits passiert wurde. Als Konsequenz kann die Kursprdiktion
trotz Filterung zgig von einer Geradeausfahrt in die Kreisfahrt umschwenken.
Normalerweise erfolgen Krmmungsnderungen beim Befahren einer Landstrae kontinu-
ierlich, so dass der Fahrer mit entsprechenden Lenkbewegungen darauf reagieren kann.
Aus diesem Grund sind schnelle nderungen der prdizierten Fahrbahnkrmmung ein In-
diz dafr, dass die aktuelle Kursprdiktion fehlerbehaftet ist. Die Auswirkung eines solchen
Fehlers auf die Spurplausibilisierung ist meist, dass der angenommene Fahrkorridor ber
Randobjekte wischt, bis er wieder deckungsgleich mit dem relevanten Fahrbahnbereich
ist. Zur Detektion einer solchen Situation bietet es sich an, die Kovarianz von c
1
zu ber-
wachen. Je grer die Kovarianz, desto hher ist die Wahrscheinlichkeit, dass es sich um
das spte Erkennen einer engen Kurve handelt und umso hher ist die Gefahr, dass sich
Randobjekte kurzzeitig innerhalb der Plausibilisierungszone benden.
Um die fehlerhafte Plausibilisierung dieser Objekte zu vermeiden, wird der Maximalwert
fr die Erhhung von P
S
in Abhngigkeit der Kovarianz von c
1
verringert. Das Prinzip ist
anhand einer beispielhaften Kennlinie in Abbildung 6.6 dargestellt.
P
S
P
S
c1
2
P
S
c1
2
Abbildung 6.6: Anpassung der Spurplausibilisierung an die Kovarianz der Krmmungs-
schtzung
6.3 Zusammenfassung
Als Fazit aus den im ersten Teil des Kapitels dargestellten berlegungen zur Kursprdik-
tion bleibt festzustellen, dass eine umfassende Nutzung der von der Sensorik gelieferten
Informationen erfolgt, lediglich auf die Einbindung einer digitalen Karte wurde vor dem
Hintergrund bekannter Untersuchungsergebnisse verzichtet. Die Auswahl der verwendeten
Algorithmen wurde u.a. unter Bercksichtigung der erforderlichen Rechenleistung getrof-
fen, um eine Realisierbarkeit des Systems im Serienfahrzeug zu vereinfachen. In diesem
Zusammenhang ist auch die in diesem Kapitel beschriebene Weiterentwicklung der Kurs-
prdiktion anhand stehender Objekte zu sehen, bei der ein aus der Literatur bekannter
Parabelansatz mit der Approximation durch ein Polynom dritten Grades kombiniert wur-
de, so dass auch die Erkennung von Wechselkurven mglich ist.
Aus Stabilittsgrnden erfolgt die Mischung der Daten koezientenbasiert, so knnen Ein-
sse von Prdiktionsfehlern in grerer Entfernung minimiert werden. Die zustzliche
Berechnung einer Qualitt anhand spezischer Merkmale jeder Prdiktionsquelle und die
Einbeziehung dieser Qualitt bei der Mischung fhrt zu einer weiteren Reduktion von
Fehlern.
Die im zweiten Teil des Kapitels beschriebene Spurplausibilisierung ermglicht es, bei der
Spurzuordnung Abweichungen der Kursprdiktion mit einzubeziehen und die Prdiktion
sogar ber ihren eigentlichen Gltigkeitsbereich hinaus zu extrapolieren. Das Verfahren
bietet auerdem die Mglichkeit, Unschrfen bei der Spurzuordnung zu bercksichtigen,
indem die ausgegebene Sicherheit der Zuordnung, P
S
, kontinuierlich zu- oder abnimmt.
Damit bildet die Spurplausibilisierung die ideale Informationsbasis fr das neue HMI mit
seiner kontinuierlichen Grauwertanzeige zur Kodierung von Vertrauensmaen des Systems.
Kapitel 7
Systemuntersuchung in der
Fahrsimulation
Ziel der in diesem Kapitel dargestellten Untersuchung ist es, den empirischen Nachweis ber
die Wirksamkeit der entwickelten HMI-Lsung sowie des zugrunde liegenden Konzepts fr
ein Fahrerassistenzsystem zu erbringen. Als theoretische Basis der Entwicklungsmethodik
spielt der Einuss des Warnsystems auf die Situation Awareness (Kapitel 1) bei der Un-
tersuchung eine wichtige Rolle. Zustzlich soll auch die Gebrauchstauglichkeit sowie die
Systemakzeptanz in Abhngigkeit von Fehlwarnungen untersucht werden.
Bei der inferenzstatistischen Ergebnisanalyse wird insbesondere darauf geachtet, eine tiefer
gehende Untersuchung des Einusses der Warnungsdarstellung des HMI auf die Fahrerre-
aktion durchzufhren. Die so gewonnenen Ergebnisse bilden eine wichtige Grundlage zur
Parametrierung des Systems fr die spter durchgefhrten Feldversuche im Fahrzeug.
7.1 Fragestellung
Durch eine Probandenstudie soll untersucht werden, inwiefern sich die neu entwickelte War-
nungsdarstellung vom aktuellen Stand der Technik unterscheidet. Hierzu wird das in dieser
Arbeit entwickelte HMI mit dem aus dem EUCLIDE-Projekt [23] bekannten Fahrerassis-
tenzsystem verglichen. Hauptmerkmal des EUCLIDE-HMI ist die Warnungsdarstellung in
mehreren Stufen (vgl. Kapitel 1.1.2). Im Gegensatz dazu erfolgt eine Warnung beim neuen
System kontinuierlich und analog zur jeweils aktuellen Fahrsituation. Zur Abgrenzung ge-
genber dem EUCLIDE-HMI wird das neue HMI daher im Folgenden als analoges HMI
bezeichnet.
Bei der Untersuchung des analogen HMI spielt auch die Analyse der erhobenen Daten in
Bezug auf die vom System ausgegebene Anzahl der Fehlwarnungen eine Rolle, da dieser
Aspekt eine der Grundlagen fr die Entwicklung der Mensch-Maschine-Schnittstelle bildet.
Um vor allem zur Auswirkung der Fehlwarnungen Ergebnisse auf einer breiten Basis zu
erhalten, wurde die Untersuchung in der Fahrsimulation in zwei Studien aufgeteilt, die sich
durch die Anzahl der ausgegebenen Fehlwarnungen unterschieden.
Schlielich sollen die Messdaten zur Ableitung von Wertebereichen fr eine optimale Pa-
rametrierung der analogen HMI-Darstellung verwendet werden. Die zentrale Frage hierbei
96 7. Systemuntersuchung in der Fahrsimulation
lautet: Wie muss eine Warnung dargestellt werden, damit der Fahrer
mglichst schnell darauf reagiert, wenn die Warnung berechtigt ist und
mglichst nicht darauf reagiert, wenn es sich um eine Fehlwarnung handelt?
7.2 Bekannte Arbeiten mit hnlicher Zielsetzung
Im Rahmen der Studie zur Anwendung von Usabilitiy Manahmen zur Nutzeneinscht-
zung von Fahrerassistenzsystemen [52] wurde ein Vergleich von bildgebenden und war-
nenden Nachtsichtsystemen im Realverkehr durchgefhrt. Hierbei fand eine Messung der
Gebrauchstauglichkeit mit Hilfe einer Kosten-Nutzen Funktion statt. Die hierfr ver-
wendete Untersuchungsmethodik basiert auf einer Operationalisierung des Nutzenbegris
(Gebrauchstauglichkeit) gem dem Standard DIN EN ISO 9241 fr Brottigkeiten mit
Bildschirmgerten [34]. Unterschieden wird in dieser Norm nach Eektivitts-, Ezienz-
und Zufriedenstellungsmaen (vgl. Abbildung 7.1). Die Kosten denieren sich als Zeit-
kosten fr die Blickerfassung und Beanspruchungskosten fr die mentale Verarbeitung
und die Reaktion.
Eektivitt Entsprechend der Norm deniert die Eektivitt den Grad der Genauigkeit
und Vollstndigkeit, mit dem der Nutzer seine Ziele erreicht [34]. Hierzu werden die Be-
grie Quantitt und Qualitt multiplikativ verknpft. Eine Operationalisierung dieser
Denition erfolgt bei [52] durch die folgenden Leistungsmae:
Entdeckungsrate (Hugkeit der Detektion kritischer Ereignisse)
Reaktionszeit (Zeit zwischen der Anzeige der Warnung und der Detektion durch den
Fahrer)
Ezienz Mit Ezienz sind die zur Erreichung der Eektivitt erforderlichen Ressourcen
gemeint. Geeignete Messgren fr ein Fahrerassistenzsystem lassen sich ableiten, wenn
man die Ezienz als Kostenfaktor fr die erreichte Eektivitt auasst:
Zeitkosten (Messung des Blickverhaltens; Analyse der mittleren und kumulierten Fi-
xationsdauer)
Mentale Beanspruchung (Messung ber subjektive Einschtzung anhand von Frage-
bgen; Nutzung des NASA-TLX
1
, erweitert um Merkmale der visuellen Beanspru-
chung)
Zufriedenheit Die Zufriedenheit bercksichtigt vor allem mgliche Beeintrchtigungen
des Nutzers durch das System und seine Einstellung zur Nutzung des Systems. Die Erfas-
sung dieser Bewertungsdimension erfolgt ber drei Mae:
Priorisierung (im Vergleich zu anderen Systemen)
Akzeptanz (Messung ber Fragebogen)
hedonischer Nutzen (Innovationsgrad, Interessantheitsgrad des Systems; Messung
ber Fragebogen)
7.2 Bekannte Arbeiten mit hnlicher Zielsetzung 97
Gebrauchs-
tauglichkeit
Effizienz
Kumulierte
Fixationsdauer
Beanspru-
chungskosten
Zeitkosten
Mittlere
Fixationsdauer
SEA-Skala
NASA-TLX
Priorisierung
Akzeptanz-
mae
Mae zum
Nutzererleben
Zufriedenheit
Reaktionszeit
Detektionsrate
Qualitt
Quantitt
Effektivitt
Abbildung 7.1: Ableitung von Untersuchungsmaen aus der Gebrauchstauglichkeit [52]
Da die beschriebene Vorgehensweise und die abgeleiteten Untersuchungsmae fr die Un-
tersuchung warnender Nachtsichtsysteme wissenschaftlich gut validiert ist, werden sie als
Basis fr den Vergleich der Systeme in der Fahrsimulation eingesetzt.
Die zur Entwicklung des analogen HMI angewendete Methodik basiert auf dem Konstrukt
der Situation Awareness (vgl. Kapitel 1), welche eine Reihe von wahrnehmungs- und mo-
tivationspsychologischen Theorien zu einem durchgngigen Erklrungsansatz zusammen-
fasst. Nach [22] lsst sich das Situationsbewusstsein eines Fahrers in drei Ebenen untertei-
len:
1. Ebene: Wahrnehmung der Umwelt
2. Ebene: Verstndnis und Einordnung der Wahrnehmung in die aktuelle Situation
3. Ebene: Projektion der Situation in die Zukunft als Basis zur Entscheidung ber
Handlungen
Das Zusammenspiel der einzelnen Ebenen sowie weitere Einussfaktoren auf den Entschei-
dungsprozess wurden bereits in Kapitel 1 erlutert. Im Folgenden werden einige Arbeiten
dargestellt, die sich mit der Erfassung der Situation Awareness im Rahmen von Fahrsi-
mulatorstudien befasst haben, da neben der Gebrauchstauglichkeit auch die Wirkung des
entwickelten Fahrerassistenzsystems auf das Situationsbewusstsein des Fahrers untersucht
werden soll.
1
Nach [31] standardisierte Methode zur Messung der Beanspruchung anhand von Ratings. Die Methode
wurde ursprnglich fr Piloten von Kampugzeugen entwickelt und wird zunehmend im Rahmen von
Studien in der Fahrzeugindustrie eingesetzt. Aufgrund der sechs abgefragten Beanspruchungsdimensionen
erlaubt die Methode eine detaillierte Erfassung der Arbeitsbelastung bei der Bearbeitung von Aufgaben.
In [16] wird ein Ansatz zur Messung der Situation Awareness auf Basis des Fahrerverhal-
tens vorgestellt. Die Probanden sollen verschiedene Fahrerassistenzsysteme zur Lngs- und
Querdynamik bewerten und werden Fahrsituationen ausgesetzt, in denen sich ein voraus-
fahrendes Fahrzeug nicht den Verkehrsregeln entsprechend verhlt. Das Situationsbewusst-
sein der Fahrer wird danach bewertet, ob sie dennoch richtig agieren (z.B. Einhaltung einer
Maximalgeschwindigkeit) oder ob sie in Ermangelung eines situationsgerechten mentalen
Modells den gleichen Fehler wie das vorausfahrende Fahrzeug begehen.
Eine derartige, als indirekt bezeichnete Messung der Situation Awareness ndet sich auch
bei [29]. Hier wird allerdings zustzlich die sog. Okklusionsmethode angewendet, bei der
die Fahrsimulatorszene angehalten und die Darstellung unterbrochen wird. Die Probanden
mssen anschlieend die vor der Unterbrechung vorherrschende Fahrsituation aus dem
Gedchtnis rekonstruieren. Der Vorteil dieser Methode liegt darin, dass bei geeigneter
Abstimmung von Befragung und angehaltener Fahrsituation Erkenntnisse ber alle drei
Ebenen des Situationsbewusstseins gewonnen werden knnen [21].
Hierin liegt jedoch zugleich auch der Nachteil, insbesondere bei der Untersuchung von
Bremsvorgngen. Oftmals sind sich die Fahrer in einer solchen Situation ihres Handelns
und der zugehrigen Motivation nicht bewusst, da sie eher nach mentalen Modellen agieren
(vgl. [22] und [91]). Auerdem wrde ein Anhalten der Fahrsimulation bei der Reaktion
auf eine Warnung die Bremsreaktion unterbrechen und somit die Nutzung der objektiven
Messdaten unmglich machen.
Aus den genannten Grnden wurde fr den Systemvergleich in der Fahrsimulation von einer
Messung des Situationsbewusstseins whrend der Fahrt anhand der Okklusionsmethode
abgesehen. Eine Messung nach dem von [16] vorgeschlagenen Verfahren htte zwar die
sptere Auswertung der Bremsreaktionen nicht beeintrchtigt, aber auch keine Informatio-
nen ber die Entwicklung der Situation Awareness whrend einer Reaktion geliefert. Die
Methode dient vielmehr der Messung eines allgemeinen Levels des Situationsbewusstseins.
Daher wurde entschieden, die Situation Awareness durch entsprechende Fragebogenelemen-
te nach jeder Fahrt zu erfassen. Mit den Fragen wurde gem der Theorie der Situation
Awareness das Vorhandensein und die Ausprgung der mentalen Modelle abgefragt, die
von den Fahrern whrend der Fahrten von den verglichenen Systemen gebildet wurden
und mageblich ihre Reaktionen auf die HMI-Anzeigen steuerten.
7.3 Vorbereitung der Fahrsimulation
Die Probandenversuche wurden auf dem in Kapitel 1.3 und 3.1 beschriebenen Fahrsimula-
tor mit Bewegungssystem durchgefhrt. Bei der funktionalen Auslegung der untersuchten
Warnsysteme und ihrer softwaretechnischen Implementierung in den Fahrsimulator wurde
darauf geachtet, dass sowohl die Algorithmen zum Objekttracking, als auch jene Algo-
rithmen zur Kursprdiktion identisch waren und somit beide HMI auf die gleiche Basis
aufsetzten.
7.3.1 HMI EUCLIDE
Im Folgenden wird eine bersicht ber die Ausgestaltung der EUCLIDE Warnanzeige
in der Simulation gegeben. Details zur Darstellung des analogen HMI wurden bereits in
Kapitel 4 genannt.
7.3 Vorbereitung der Fahrsimulation 99
Das HUD zeigte entsprechend der Literaturangaben ([4], [67]) ein Nachtsichtbild an. Bei
Kollisionsgefahr erfolgte darin die Markierung der Hindernisse mit Symbolen (Warnstufe
Info, vgl. Kapitel 1.1.2), wobei fr Fahrzeuge in Bewegung ein Fahrzeugsymbol und bei
allen anderen Objekten ein rotes Warndreieck verwendet wurde. Abbildung 7.2 zeigt die
Symbole.
Abbildung 7.2: Warnsymbolik im HMI EUCLIDE
Die Anzeige der Warnstufe Akut fand ebenfalls im Head-Up Display in Form eines groen,
blinkenden Warndreiecks statt. Auerdem wurde bei einer akuten Warnung der in [68]
beschriebene Warnton ausgegeben. Das im HUD angezeigte Kamerabild wurde so skaliert,
dass es einem horizontalen nungswinkel von 16
entspricht.
Abbildung 7.3: Ablauf der Warnung im HMI EUCLIDE in Studie 1/2
Hierzu ist beispielhaft in Abbildung 7.3 eine Bildersequenz der Fahrersicht nach vorn
(groes Bild) zusammen mit der Darstellung im HUD (kleines Bild) bei der Annherung
an einen Felsen wiedergegeben.
2
Neben der Entfernungsangabe zeigt jedes Bild auch einen
Video-Zeitstempel.
3
Die Aufnahme mit einer Objektentfernung von 50 m (oben rechts)
zeigt im HUD-Bild neben der durch das Warndreieck auf der Fahrbahn markierten Ob-
jektposition ein zweites Warndreieck in der Bildmitte, das die akute Warnung darstellt.
7.3.2 Systemabstimmung
Grundstzlich ist die Parametrierung eines Kollisionswarnsystems so auszulegen, dass ein
Optimum aus minimaler Anzahl von Fehlwarnungen und maximaler Sensitivitt (d.h. fr-
hestmgliche Ausgabe von berechtigten Warnungen) entsteht [40]. Leider nden sich in der
Literatur kaum konkrete Angaben fr eine maximal erlaubte Anzahl von Fehlwarnungen.
Die Untersuchungen von [50] und [20] mit akustischen Warnsystemen im Straenverkehr
deuten darauf hin, dass bereits ab einer Hugkeit von 1 - 4 Fehlwarnungen pro Stunde
mit Beeintrchtigungen der Fahrerakzeptanz zu rechnen ist.
Zur Verikation dieser Vorgaben wurden einige Vorversuche mit verschiedenen Parame-
tereinstellungen durchgefhrt. Letztendlich wurden die Warnschwellen so eingestellt, dass
sich sowohl beim EUCLIDE-System (Info-Modus), als auch beim analogen HMI eine Vor-
warnzeit von maximal 5,8 s ergab, wodurch den Fahrern bei beiden Systemen die gleiche
Chance zur Kollisionsvermeidung gegeben war. Die genannte Parametrierung fhrte bei
den Vorversuchen mit EUCLIDE im Mittel zu drei akustischen Fehlwarnungen pro Fahrt.
Eine Variation des Warnverhaltens und ein damit verbundener Anstieg der Fehlwarnungen
wurde durch die Deaktivierung der videobasierten Spurdetektion in der zweiten Studie
erzielt. Details zu den Unterschieden in der Anzahl der berechtigten und der falschen
Warnungen bei den beiden Studien werden in Kapitel 7.5 erlutert.
7.3.3 Szenarien
Gem den Ergebnissen der Anforderungsanalyse wurde eine Landstraenfahrt mit etwa
45 min. Dauer simuliert. Whrend der Fahrt ereignen sich 18 Szenarien, in denen der
Fahrer (untersttzt durch eines der Warnsysteme) Kollisionen mit verschiedenen stehenden
Hindernissen vermeiden muss.
Dabei ist eine spte Warnung aus Fahrersicht weniger kritisch, wenn das entsprechende
Objekt frhzeitig bereits mit bloem Auge sichtbar ist (z.B. stehendes Fahrzeug mit Warn-
blinklicht). Umgekehrt wird ein Fahrer dem System einen wesentlich hheren Nutzen zu-
ordnen, wenn sich das Hindernis nur unwesentlich von der Fahrbahnstruktur unterscheidet
und er ohne das System keine Chance hat, eine Kollision zu vermeiden (z.B. Felsbrocken).
Generell stellt ein gut sichtbares Hindernis nur dann einen Nutzenfall fr ein Kollisions-
warnsystem dar, wenn der Fahrer unaufmerksam ist. Das Untersuchungsdesign bedingte
jedoch eine hohe Hugkeit von Testszenarien fr die statistische Auswertung. Daher war
Unaufmerksamkeit der Probanden whrend der Simulationsfahrten sehr unwahrscheinlich.
Aus den genannten Grnden wurden fr die statistische Auswertung der objektiven Daten
nur solche Szenarien bercksichtigt, in denen das Hindernis erst sehr spt fr den Fahrer
sichtbar war.
2
Eine vergleichbare Sequenz mit der Warnungsdarstellung des analogen HMI ist in Abbildung 4.4 in
Kapitel 4.3 dargestellt.
3
Der Video-Zeitstempel hat das Format: hh:mm:Frame [0..24] pro Sekunde
7.4 Versuchsdesign 101
Detektion durch Sensor
bei groen Entfernungen bei kleinen Entfernungen
Sichtbarkeit Objekt
fr Fahrer
gut
beleuchtetes Fahrzeug
Schild
Warndreieck
Pylon
Holzkiste
schlecht
Felsbrocken
unbeleuchtetes Fahrzeug
Tier
Tabelle 7.1: Kategorisierung der Szenen nach Objekten
Aufgrund des explorativen Charakters der Untersuchung war es wnschenswert, eine Band-
breite aller Szenarien zu testen, um eine mglichst breite Beurteilungsbasis fr den System-
vergleich zu schaen. Basierend auf diesen berlegungen wurde die Matrix in Tabelle 7.1
aufgestellt und eine Kategorisierung der Szenarien in das folgende Schema vorgenommen:
a. frhe Warnung Objekt fr Fahrer schlecht sichtbar, aber Detektion durch den
Sensor bereits bei groen Entfernungen
b. Fehlwarnung
c. spte Warnung Objekt fr Fahrer gut sichtbar, aber Detektion durch den Sensor
erst bei kleinen Entfernungen
d. keine Warnung Fllszenarien zur Verbindung verschiedener Szenen, bzw. zur Ver-
meidung von Wiedererkennungseekten
Die Strecken wurden so gestaltet, dass die Anzahl der Nutzenszenen a und c etwa der
Hugkeit der Szenarien fr Fehlwarnungen entsprach. Zu den Szenarien mit Fehlwar-
nungen trugen vor allem gut detektierbare Randobjekte (z.B. Felsbrocken) an Kurvenein-
oder -ausgngen bei. Die Fehlwarnungen wurden nicht vorprogrammiert an festgelegten
Streckenpunkten ausgegeben, sondern waren das Ergebnis des simulierten Gesamtsystems,
bestehend aus Objekterfassung, Kursprdiktion und Objektauswahl. Daher fhrte nicht
jedes der a priori als relevant fr Fehlwarnungen eingestuften Szenarien auch immer zu ei-
ner Fehlwarnung. Auf Basis der Vorversuche konnte auerdem davon ausgegangen werden,
dass eine gewisse Anzahl von Fehlwarnungen nicht berschritten wurde (vgl. Kapitel 7.3.2).
Auerorts wurde links und rechts von der Fahrbahn ein Wald simuliert. In einigen Sze-
narien wurde zustzlich Gegenverkehr eingesetzt, um die Fahrer daran zu hindern, in der
Fahrbahnmitte zu fahren und so Kollisionen zu vermeiden. Einen prinzipiellen Ablauf einer
Fahrt mit einer Darstellung smtlicher enthaltener Szenarien zeigt Anhang H.
7.4 Versuchsdesign
Das in Kapitel 7.2 dargestellte Untersuchungsdesign von [52] wurde fr die Simulatorstudie
um Elemente der Situation Awareness erweitert. Aus der Kombination der Kategorien der
Gebrauchstauglichkeit,
Eektivitt,
Ezienz und
Zufriedenheit
mit den Kategorien der Situation Awareness,
Wahrnehmung,
Verstndnis sowie
Projektion in die Zukunft, Entscheidung und Reaktion,
ergibt sich die in Tabelle 7.2 dargestellte Matrixstruktur mit den im Rahmen der Studie
verwendeten Mess- und Befragungsinstrumenten. Die dritte Ebene der Situation Awareness
wird dabei im Wesentlichen auf Basis der Fahrerreaktionen gemessen.
4
Eektivitt Ezienz Zufriedenheit
Wahrnehmung
Fragebogen Fragebogen
NASA-TLX
Fragebogen
Verstndnis
Fragebogen (Verstnd-
nis berechtigte Warnun-
gen)
Fragebogen (Verstnd-
nis Fehlwarnungen)
NASA-TLX
Fragebogen
Reaktion
Fragebogen
Reaktionen auf berech-
tigte Warnungen (Nut-
zen)
Fragebogen
Reaktionen auf Fehl-
warnungen (Kosten)
NASA-TLX
Fragebogen
Befragung bzgl. Ge-
fhrlichkeit der Situation
und Gte der Bremsre-
aktion
Tabelle 7.2: Kombinierte Messung der Gebrauchstauglichkeit und der Situation Awareness
Um den Fahrern eine direkte Vergleichsmglichkeit der beiden Systeme zu geben, wurden
mit allen Probanden drei Fahrten durchgefhrt (abhngige Stichprobe mit Messwiederho-
lungen), wobei einerseits die Szenarienfolge innerhalb der Fahrten
5
und andererseits die
Reihenfolge der Fahrten ber die Testfahrer permutiert wurde:
ohne System,
analoges HMI,
EUCLIDE.
Ein kompletter Versuchsdurchlauf nach dem beschriebenen Muster dauerte, inkl. System-
einfhrung und Befragungen, pro Proband ca. 3 h. Anhang I enthlt die Fragebgen, die
zur Befragung der Fahrer nach der Fahrt mit dem analogen HMI und zum Systemvergleich
mit EUCLIDE verwendet wurden.
7.4.1 Stichprobe
Alle Testfahrer hatten ein ausfhrliches Basis-Training im Fahrsimulator erhalten und wur-
den zufllig einer der beiden Studien zugewiesen. Aufgrund von kurzfristigen Ausfllen
konnte eine einheitliche Geschlechterverteilung in beiden Studien nicht gewhrleistet wer-
den.
An der Studie 1 nahmen 7 Testfahrer im Alter von 24 bis 46 Jahren (Durchschnittsalter:
35) teil, davon 5 Frauen. Die Studie 2 wurde mit 10 Probanden, davon 4 weiblich, durch-
gefhrt. Hier lag das Durchschnittsalter bei 39,9 Jahren, bei einem Minimum von 27 und
4
Es wird davon ausgegangen, dass die Fahrerreaktion auch die Qualitt der Projektion in die Zukunft
widerspiegelt (vgl. hierzu auch Kapitel 1.2.1).
5
zur Vermeidung von Wiedererkennungseekten einzelner Szenen
einem Maximum von 53 Jahren. Die Fahrer hatten im Durchschnitt 9 Jahre Fahrpraxis.
Tabelle 7.3 zeigt eine bersicht der teilnehmenden Fahrer.
Studie Nr. Fahrerkrzel Geschlecht Alter
1
1 MAWA20 w 30
2 REKA01 w 30
3 NIGR08 w 24
4 STPO05 m 27
5 ANBO26 w 44
6 FRSA01 m 46
7 SIDE30 w 44
2
8 HOIW01 m 43
9 ANBA14 m 42
10 CHBA03 m 33
11 HESC28 m 32
12 ROKU12 m 32
13 DASC12 m 27
14 MAGL02 w 46
15 KABU30 w 44
16 MABU31 w 53
17 BISC09 w 47
Tabelle 7.3: Probandenkollektiv
7.4.2 Versuchsablauf
Vor einer Fahrt mit einem der beiden Warnsysteme erhielten die Probanden jeweils eine
zehnmintige Einfhrung in das System durch die Versuchsleiterin anhand einer bebilder-
ten Systembeschreibung. Zustzlich wurden sie direkt vor Beginn der Fahrt noch einmal
hinsichtlich ihres Verhaltens instruiert:
Hchstgeschwindigkeit 100 km/h,
Kollisionen mit Hindernissen vermeiden, aber hierfr nur Brems- und keine Aus-
weichmanver durchfhren,
bei einer Bremsreaktion versuchen, so frh, wie mglich vor dem Hindernis zum
Stillstand zu kommen.
6
Whrend der etwa achtmintigen Einfhrungsfahrt konnten sich die Fahrer mit der Sicht-
barkeit von Fahrbahn und Objekten im Fahrsimulator vertraut machen und ein Gefhl
fr die Zeitpunkte der Warnausgaben entwickeln. Gleichzeitig wurde ihnen die Gelegenheit
gegeben, noch oene Verstndnisfragen bezglich der Systeme zu klren.
Sobald die eigentliche Testfahrt begonnen hatte, wurden die Probanden nach jedem Sze-
nario der Kategorie a oder c per Gegensprechanlage gebeten, die Gefhrlichkeit der
Situation und die Gte der eigenen Reaktion auf einer 15-stugen Skala von sehr gefhr-
lich / sehr gut bis gar nicht gefhrlich / sehr schlecht einzustufen.
6
Eine einheitliche Reaktion war aus Grnden der Auswertbarkeit zu fordern.
Den Abschluss jeder Testfahrt bildete ein Fragebogen, in dem einerseits die Beanspru-
chung per NASA-TLX und andererseits die subjektiven Aussagen zu den Systemen, bzw.
zur Fahrt an sich (Gesamturteil zur Reaktion auf Hindernisse) erfasst wurden. Zustzlich
enthielten die Fragebgen nach jeder Fahrt mit einem der Warnsysteme ein Quiz, in dem
das Verstndnis der Systemfunktion und der Warnausgabe berprft wurden. Eine Reihe
von oenen Fragen zu positiven und negativen Aspekten der Warnsysteme sowie Verbes-
serungsmglichkeiten stellte die Versuchsleiterin in Form eines Interviews. Nachdem ein
Proband je eine Fahrt mit beiden Systemen durchgefhrt hatte, wurde ihm ein Fragebogen
zum direkten Vergleich beider Warnkonzepte vorgelegt.
7.4.3 Beanspruchungsmessung
Die in der ursprnglichen Forschungsarbeit von Hart und Staveland entwickelten Bean-
spruchungskategorien des NASA-TLX [31] wurden fr die Fahrsimulatorstudien modi-
ziert. Diese Vorgehensweise basiert auf der Erkenntnis aus den Vorversuchen, dass bei der
Untersuchung von Fahrerassistenzsystemen weniger physische als mentale und in diesem
speziellen Fall visuelle Belastungsmerkmale eine Rolle spielen. Hinzu kommt, dass durch die
hugen Vollbremsmanver eine zustzliche Belastung der Probanden entsteht, die durch
eine spezielle Kategorie abgefragt werden soll, um die Vermischung mit systembezogenen
Beanspruchungsmerkmalen zu vermeiden. Eine hnliche Vorgehensweise ndet sich bei [17]
(Untersuchung von Methoden zur Belastungsmessung bei Navigationssystemen) und [47]
(Messung der Beanspruchung bei Einparkvorgngen mit verschiedenen Assistenzsystemen).
Tabelle 7.4 gibt einen berblick ber die vorgenommenen Modikationen.
Dimension Beschreibung
Aufmerksamkeit fr Spurhaltung Wie viel Aufmerksamkeit war erforderlich, um
das Fahrzeug in der Spur zu halten?
Aufmerksamkeit fr Entdeckung von Hinder-
nissen
Wie viel Aufmerksamkeit war erforderlich, um
die Hindernisse zu entdecken?
Gleichzeitige Wahrnehmung von Umwelt und
Display
Wie schwierig war es fr Sie, die Umwelt zu
beobachten und gleichzeitig Informationen aus
dem Display wahrzunehmen?
Hugkeit der Hindernisse Wie hoch war die Beanspruchung durch die
Hugkeit der Hindernisse?
Einschtzung gefhrlicher Fahrsituationen Wie schwierig war es fr Sie, gefhrliche Fahr-
situationen (ggf. unter Zuhilfenahme der im
Display dargestellten Warninformationen) ein-
zuschtzen?
Gesamtfahrleistung Wie schtzen Sie Ihre Gesamtfahrleistung ein?
(Im Sinne von vermiedenen Unfllen und zgi-
gem Vorankommen)
Tabelle 7.4: Modizierte Beanspruchungskategorien des NASA-TLX-Fragebogens
Die Skalenwerte reichen von 1 (geringe Beanspruchung) bis 20 (hohe Beanspruchung).
Beim Ausfllen der Skalen durften die Probanden sich an ihren Bewertungen von voran-
gegangenen Fahrten orientieren; Verstndnisfragen wurden jederzeit durch die anwesende
Versuchsleiterin geklrt. Der vom Messprinzip vorgeschriebene Paarvergleich der Katego-
rien zur Errechnung einer globalen Gewichtung wurde nach Abschluss aller drei Fahrten
vorgenommen.
7.5 Ergebnisse der objektiven Daten 105
7.5 Ergebnisse der objektiven Daten
In Tabelle 7.5 ist eine bersicht der Warnhugkeiten fr die einzelnen Fahrten dargestellt.
Hierbei wird zwischen
korrekten Warnungen,
fehlenden Warnungen (Warnung bleibt vollstndig aus),
spten Warnungen (Warnung ndet erst 0,8 s vor der Reaktion statt
7
) sowie
Fehlwarnungen
unterschieden. Fr die im Folgenden beschriebenen Auswertungen wurden nur solche War-
nungen gezhlt, deren Dauer 0,2 s berschreitet.
8
Studie Fahrer
Warnungen analoges HMI Warnungen EUCLIDE
korrekt spt fehlend falsch korrekt spt fehlend falsch (akut)
1
MAWA20 17 1 0 30 12 6 0 12 (3)
REKA01 17 1 0 34 16 1 1 19 (5)
NIGR08 16 2 0 30 13 5 0 15 (3)
STPO05
a
10 1 0 22 11 4 0 13 (3)
ANBO26
a
15 1 0 41 14 3 0 18 (2)
FRSA01 16 2 0 34 11 7 0 11 (1)
SIDE30 13 0 0 41 12 6 0 25 (9)
2
HOIW01 14 3 0 37 15 2 1 16 (7)
ANBA14 15 3 0 36 13 1 0 27 (3)
CHBA03 16 2 0 37 13 4 1 19 (6)
HESC28 16 1 1 44 10 5 1 29 (9)
ROKU12 16 2 0 35 12 6 0 16 (7)
DASC12 17 1 0 41 10 7 0 32 (10)
MAGL02 14 2 1 56 15 2 0 38 (8)
KABU30 15 3 0 41 12 6 0 23 (11)
MABU31 15 3 0 44 11 6 1 30 (9)
BISC09 18 0 0 45 14 4 0 21 (6)
Tabelle 7.5: Verteilung der Warnungen in Studie 1 und 2
a
Aufgrund von Ausreiern, die nicht mitgewertet wurden, kann die Gesamtanzahl der korrekten Sze-
narien zwischen den Fahrern variieren.
Bei Studie 1 ist die Hugkeit von Fehlwarnungen des analogen HMI mit einem Durch-
schnitt von 33 mehr als doppelt so hoch wie die der fehlerhaften Warnungen im Info-
Modus des EUCLIDE Systems (Durchschnitt: 16). Primre Auslser fr Fehlwarnungen
sind solche Szenarien, in denen wenige Randobjekte mit hohem RCS (Erluterung s. Sei-
te 36), z.B. Schilder / Huser / Felsen, in Kombination mit einem kurvigen Fahrbahnverlauf
7
Dieser Wert entspricht laut [35] dem 2. Perzentil der typischen Reaktionszeiten bei Notbremsungen.
Sofern die Warnung nach diesem Zeitpunkt angezeigt wird, kann davon ausgegangen werden, dass der
Fahrer das Hindernis bereits vor der Warnung erkannt hat und das System ihm nicht den vollen Nutzen
bringt.
8
Bei Darbietungszeiten von weniger als 0,2 s fr visuelle Informationen bendet man sich laut [81] im
Bereich des subliminalen Priming, bei dem die sensorische Schwelle des Menschen noch nicht berschritten
ist und die angezeigten Informationen nicht bewusst wahrgenommen werden. Laut [28] bentigt das visuelle
System etwa 0,2 s, um komplexe, bedeutungshaltige Reizmuster wahrnehmen zu knnen.
auftreten. Die Ursache hierfr liegt in der zu geringen Anzahl von Randobjekten fr eine
stabile Kursprdiktion.
Der deutliche Unterschied in der Gesamtanzahl der Fehlwarnungen zwischen den Systemen
wird dadurch hervorgerufen, dass beim EUCLIDE-System eine Warnung nicht direkt beim
erstmaligen Unterschreiten der Warnschwelle, sondern erst nach einer Filterung ausgegeben
wurde, um insbesondere huge akustische Fehlwarnungen durch kurzzeitige Fehler in der
Kursprdiktion zu vermeiden.
In Studie 2 (ohne die Untersttzung der Spurdetektion des Videosensors) liegt das Ver-
hltnis der durchschnittlichen Anzahl von Fehlwarnungen bei 46 (analoges HMI) zu 25
(EUCLIDE); der Unterschied betrgt 46 %. Hinsichtlich der Fehlwarnungen des EUCLIDE-
Systems wurden die Fahrer in Studie 1 mit einem nahezu perfekten System konfrontiert,
welches zwar insbesondere in den Szenarien der Kategorie c vergleichsweise spte War-
nungen ausgab, jedoch die akuten Warnungen quasi fehlerfrei prsentierte.
Die bereits in Kapitel 7.3.2 zitierten Untersuchungen zu Fehlwarnungen von [50] und [20]
deuten auf einen direkten Zusammenhang zwischen der Systembewertung durch die Fah-
rer und die Hugkeit der Fehlwarnungen hin. Die Akzeptanz der Warnqualitt
9
durch
die Fahrer wirkt sich wiederum auf die Ezienz und Eektivitt der Reaktion bei einer
berechtigten Warnung aus. Daher werden zunchst die Messdaten der Fehlwarnungen un-
tersucht, um gem dem in Tabelle 7.2 dargestellten Untersuchungskonzept die Kosten
der Systeme im Hinblick auf die Ezienz der Reaktionen zu vergleichen.
7.5.1 Reaktionen auf Fehlwarnungen
Als Arbeitshypothese fr die folgenden Auswertungen wird davon ausgegangen, dass eine
Fehlwarnung dann ganz besonders strend fr den Fahrer ist, wenn sie ihn zu einer Bremsre-
aktion veranlasst. Dementsprechend zeigt die folgende Tabelle 7.6 eine Zusammenstellung
der Hugkeiten von Fehlwarnungen (FW) sowie der darauf zurckzufhrenden Brems-
reaktionen (R). Fr diese Auswertung wurde eine zustzliche Auswahl der gemessenen
Bremsmanver getroen, so dass Reaktionen, die in Zusammenhang mit der Fehlwarnung
auf ein Ortsschild oder einer Baustelle stehen, nicht bercksichtigt wurden, da die Brems-
reaktion auch auf die notwendige Geschwindigkeitsreduktion beim Passieren des jeweiligen
Bereichs zurckgefhrt werden kann.
Der Vergleich der Reaktionen bezogen auf die Anzahl der Fehlwarnungen macht in beiden
Studien einen signikanten Unterschied zwischen dem analogen HMI und dem EUCLIDE-
System deutlich. Whrend beim analogen HMI nur auf 8 % (Studie 1), bzw. 12 % (Studie 2)
der Fehlwarnungen reagiert wurde, lag der Anteil fr EUCLIDE in Studie 1 fnfmal und
in Studie 2 dreimal hher. Der Unterschied ist auch absolut gesehen deutlich: Es fanden
wesentlich weniger Bremsreaktionen bei Fahrten mit dem analogen HMI im Vergleich zu
EUCLIDE statt. Aus den Daten ist somit ein klarer Vorteil des mit dem analogen HMI
entwickelten Warnkonzepts bei der Reaktion auf Fehlwarnungen ableitbar.
Insbesondere bei den hier abgeprften Szenarien (Bremsmanver vor stehendem Objekt)
muss bei EUCLIDE eine akute Warnung so frh ausgegeben werden, dass eine Filterung
von Fehlwarnungen vor der Ausgabe im HMI, z.B. durch eine Mindestanzahl von Rechen-
zyklen, innerhalb derer die Warnbedingungen erfllt sein mssen, stark erschwert wird.
Entsprechend der hohen Signalwirkung der Warnstufe Akut wurde im Mittel auf 80 %
9
Die Warnqualitt bezeichnet das Verhltnis aus Fehlwarnungen und berechtigten Warnungen.
Studie Fahrer
analoges HMI EUCLIDE Info EUCLIDE Akut
FW
a
R
b
R/FW
c
FW
a
R
b
R/FW
c
FW
a
R
b
R/FW
c
1
MAWA20 26 2 0,08 11 3 0,27 2 2 1,00
REKA01 26 3 0,12 16 8 0,50 4 3 0,75
NIGR08 23 2 0,09 15 1 0,07 3 1 0,33
STPO05 16 2 0,13 10 4 0,40 2 2 1,00
ANBO26 32 1 0,03 15 8 0,53 2 1 0,50
FRSA01 29 4 0,14 9 5 0,56 0 0 -
SIDE30 36 1 0,03 23 13 0,57 8 8 1,00
/ 188 15 0,08 99 42 0,42 21 17 0,81

2
HOIW01 33 0 0,00 15 2 0,13 6 2 0,33
ANBA14 34 1 0,03 25 8 0,32 3 3 1,00
CHBA03 30 3 0,10 18 8 0,44 5 5 1,00
HESC28 40 8 0,20 28 8 0,29 7 5 0,71
ROKU12 32 2 0,06 16 7 0,44 6 6 1,00
DASC12 37 5 0,14 28 6 0,21 7 5 0,71
MAGL02 47 12 0,26 34 16 0,47 6 5 0,83
KABU30 35 4 0,11 19 11 0,58 7 5 0,71
MABU31 40 3 0,08 25 12 0,48 8 7 0,88
BISC09 38 6 0,16 19 5 0,26 5 4 0,80
/ 366 44 0,12 227 83 0,37 60 47 0,78

Tabelle 7.6: Reaktionen auf Fehlwarnungen in Studie 1 und 2
a
FW: Anzahl der Fehlwarnungen
b
R: Anzahl der Bremsreaktionen
c
R/FW: Anzahl der Reaktionen dividiert durch Anzahl der Fehlwarnungen; hierfr ist zusammenfassend
nicht die Summe, sondern der Durchschnitt angegeben.
der Fehlwarnungen reagiert, wobei die Bremsreaktionen in der Mehrzahl zu einem deutli-
chen Geschwindigkeitsabbau fhrten.
Weiterhin fllt auf, dass das Verhltnis R/FW beim analogen HMI von Studie 1 nach
Studie 2 ansteigt (im Durchschnitt von 0,08 auf 0,12), whrend es bei EUCLIDE abnimmt
(von 0,42 auf 0,37, bzw. von 0,81 auf 0,78). Eine Varianzanalyse zeigt, dass keiner der
Unterschiede innerhalb der Systeme signikant ist (p > 0,05). Allerdings lsst sich den
subjektiven Daten entnehmen, dass die Probanden in Studie 2 den Warnungen des analogen
HMI mehr vertrauten als denen von EUCLIDE. In Studie 1 stellt sich der entgegengesetzte
Eekt ein. Daher ist es wahrscheinlich, dass der Unterschied zwischen den beiden Studien
auf einem genderten Systemvertrauen basiert.
Eine detailliertere Analyse fr das stark unterschiedliche Verhalten der Fahrer in Verbin-
dung mit den verschiedenen HMI Varianten liefert der Vergleich von Warndauern und
Bremsreaktionen. Hierzu zeigen die Boxplots in den Abbildungen 7.4 und 7.5 eine Ge-
genberstellung der Anzeigedauern von Warnungen, berechnet vom Warnbeginn bis zur
Bremspedalbettigung, fr die folgenden Flle:
Fehlwarnungen, auf die keine Bremsreaktion erfolgt ist,
Fehlwarnungen, auf die eine Bremsreaktion erfolgt ist,
berechtigte Warnungen der Kategorie a, auf die eine Bremsreaktion erfolgt ist.
Die Angabe einer bezogenen Warndauer ermglicht die Bercksichtigung des dargestellten
Grauwerts:
bez. Warndauer =
T
BR
t=T
WB
_
dargestellter Grauwert(t)
maximaler Grauwert
t
_
(7.1)
Mit:
T
WB
: Zeitpunkt zum Warnbeginn
T
BR
: Zeitpunkt zum Beginn der Bremsreaktion
t : Zykluszeit des Warnsystems (0,1 s)
Als maximaler Grauwert wird der Wert 255 eingesetzt.
10
0
0.5
1
1.5
2
2.5
3
3.5
4
b
e
z
o
g
e
n
e

W
a
r
n
d
a
u
e
r

[
s
]
FW keine Reaktion
N = 173
FW Reaktion
N = 15
Studie 1 Warndauer und Bremsreaktionen
RW Reaktion
N = 59
0
0.5
1
1.5
2
2.5
3
3.5
4
b
e
z
o
g
e
n
e

W
a
r
n
d
a
u
e
r

[
s
]
FW keine Reaktion
N = 322
FW Reaktion
N = 44
RW Reaktion
N = 87
0.5 1 1.5 2 2.5 3
0
0.2
0.4
0.6
0.8
1
bezogene Warndauer [s]
H
u
f
i
g
k
e
i
t
Studie 1 Fehlwarnungen
0.5 1 1.5 2 2.5 3
0
0.2
0.4
0.6
0.8
1
H
u
f
i
g
k
e
i
t
Abbildung 7.4: Zusammenhang Warndauer und Bremsreaktion fr das analoge HMI in
Studie 1/2 (Erluterung zu den Boxplots: Die Box selbst stellt das untere und das obere
Quartil dar, die rote Linie zeigt den Median an. Die Lnge der Whisker (gestrichelte Linien)
betrgt maximal das 1,5-fache des Interquartilabstands, sofern sich dort noch Messpunkte
benden. Die roten Kreuze markieren Ausreier, die auerhalb dieses Bereichs liegen.)
Wie die Grenze des unteren Quartils der Spalte FW - Reaktion fr Studie 1 in Abbil-
dung 7.4 zeigt, reagierten die Fahrer in der Regel erst dann auf eine Anzeige im analogen
HMI, wenn die bezogene Warndauer grer 500 ms war. Es kann also davon ausgegangen
werden, dass beim analogen HMI die bezogene Warndauer fr die Fahrer ein wesentliches
Unterscheidungsmerkmal zwischen berechtigter Warnung und Fehlwarnung darstellt. Der
10
Dieser Maximalwert entspricht dem verwendeten RGB-Farbschema.
entsprechende Anteil an den Fehlwarnungen lag fr beide Studien bei etwa 90 % (Histo-
gramme in Abbildung 7.4 unten) und fhrte zu der in Tabelle 7.6 dargestellten hohen
Unterscheidungsrate der Fahrer zwischen richtigen und falschen Warnungen.
Im Vergleich zwischen Studie 1 und Studie 2 in Abbildung 7.4 fllt weiterhin auf, dass
bei Studie 2 der Unterschied zwischen der bezogenen Warndauer, die zu einer Reaktion
fhrt und der bezogenen Warndauer, bei der eine Reaktion vom Fahrer unterdrckt wird,
weniger deutlich ausgeprgt ist. Dies lsst sich darauf zurckfhren, dass die Vorwarnzeit
in Studie 2 aufgrund der schlechteren Kursprdiktion insbesondere bei Hindernissen in
Kurveneingngen gegenber Studie 1 herabgesetzt war. Die Fahrer mussten somit eine
schnellere Entscheidung ber eine Reaktion treen, wenn sie die Kollision noch vermeiden
wollten.
0
0.5
1
1.5
2
2.5
3
3.5
4
b
e
z
o
g
e
n
e

W
a
r
n
d
a
u
e
r

[
s
]
FW keine Reaktion
N = 54
FW Reaktion
N = 25
RW Reaktion
N = 62
0
0.5
1
1.5
2
2.5
3
3.5
4
b
e
z
o
g
e
n
e

W
a
r
n
d
a
u
e
r

[
s
]
FW keine Reaktion
N = 128
FW Reaktion
N = 37
RW Reaktion
N = 84
0.5 1 1.5 2 2.5 3
0
0.2
0.4
0.6
0.8
1
H
u
f
i
g
k
e
i
t
0.5 1 1.5 2 2.5 3
0
0.2
0.4
0.6
0.8
1
H
u
f
i
g
k
e
i
t
Abbildung 7.5: Zusammenhang Warndauer und Bremsreaktion fr das EUCLIDE HMI in
Studie 1/2
Ein weiteres Unterscheidungsmerkmal zwischen Fehlwarnung und berechtigter Warnung
im analogen HMI lsst sich anhand der dargestellten Hindernisentfernung festmachen: Die
Fehlwarnungen, auf die eine Fahrerreaktion stattgefunden hat, wurden in einem Entfer-
nungsbereich von 130 - 150 m angezeigt dem gleichen Entfernungsbereich, in dem der
Fahrer auch eine richtige Warnung erwarten wrde. Kam noch ein unbersichtlicher oder
schlecht einsehbarer Fahrbahnverlauf hinzu, gingen die meisten Fahrer auf Nummer sicher
und bremsten.
Fehlwarnungen, die in unmittelbarer Nhe zum eigenen Fahrzeug angezeigt wurden, fhr-
ten dagegen zu keiner Reaktion, wohl auch deshalb, weil die Fahrer eine Fehlwarnung im
Nahbereich leicht anhand der Auensicht auf ihre Berechtigung hin berprfen konnten.
Zusammenfassend lsst sich fr das analoge HMI festhalten:
Fehlwarnungen werden durch die Fahrer anhand ihrer Dauer, Intensitt und angezeig-
ten Entfernung von berechtigten Warnungen unterschieden. Die Unterscheidungsmerkmale
werden negativ beeinusst durch geringe Vorwarnzeiten, welche den Fahrern weniger Be-
obachtungszeitraum fr die Entwicklung der Warnung lassen. In beiden Studien konnten
die Fahrer auf Basis der Anzeige im analogen HMI eine Reaktion auf den berwiegenden
Teil der Fehlwarnungen unterdrcken.
In Abbildung 7.5 sind die einzelnen Warndauern fr das EUCLIDE System dargestellt.
Die bezogene Warndauer fr EUCLIDE entspricht der tatschlichen Warndauer, da die
Deutlichkeit der Warnung nicht kontinuierlich variiert wird. Bei den Fehlwarnungen wurden
nur solche Szenarien gezhlt, in denen der Info-Modus ohne eine zustzliche Anzeige des
Akut-Modus auftrat. Der Info-Modus soll gem Systemkonzept (vgl. Kapitel 1.1.2) als
zustzliche Filterinstanz dienen, anhand der eine berprfung des Nachtsichtbilds durch
den Fahrer erfolgen kann, ob sich tatschlich Hindernisse innerhalb der eigenen Fahrspur
benden.
Im Vergleich zu den Boxplots des analogen HMI fllt eine Unterscheidung zwischen richtiger
und falscher Warnung allein anhand der Warndauer sehr schwer, da sich die falschen von
den richtigen Warnungen nur um wenige 100 ms Anzeigedauer unterscheiden. Die Mediane
der Spalten FW - keine Reaktion und FW - Reaktion liegen deutlich nher beieinander,
als beim analogen HMI.
Hinzu kommt die hohe visuelle Verwechslungswahrscheinlichkeit einer nahen (und daher
mit einem groen Warndreieck dargestellten) Fehlwarnung im Info-Modus mit einer aku-
ten Warnung. Dies fhrte dazu, dass im Gegensatz zum analogen HMI sehr viele
Fehlreaktionen auf Info-Warnungen stattfanden, die im Nahbereich angezeigt wurden.
Oensichtlich nutzten die Fahrer hierbei auch nicht immer die Mglichkeit, sich vor einer
Bremsreaktion durch einen Blick auf das Nachtsichtbild zu vergewissern, dass die Warnung
berechtigt war.
11
Auf Basis der dargestellten Analysen liegt das analoge HMI hinsichtlich der Kosten, die
das System aus Fahrersicht bei den Reaktionen auf Fehlwarnungen verursacht, deutlich
niedriger, als das EUCLIDE System. Dies betrit zunchst die Kosten pro Fehlwarnung.
Aus Tabelle 7.6 wird ersichtlich, dass die kumulierten Kosten, d.h. die Gesamtanzahl der
Fehlwarnungen beim analogen HMI wesentlich hher ist als bei EUCLIDE. Die Berck-
sichtigung dieses Umstands erfolgt im Rahmen der Analyse von Reaktionen auf berechtigte
Warnungen. Es ist dabei zu prfen, ob eine erhhte Anzahl von Fehlwarnungen zu einer
Minderung der Reaktionen oder zu einer erhhten Reaktionszeit fhrt.
Auerdem wird dieser Faktor gem Versuchsdesign (Tabelle 7.2) bei der Auswertung
der Beanspruchungsmessung in Kapitel 7.6.1 bercksichtigt. Sofern ein Einuss durch die
erhhte Anzahl von Fehlwarnungen beim analogen HMI vorliegt, muss sich dieser auch in
Form einer erhhten Beanspruchung manifestieren.
7.5.2 Reaktionen auf berechtigte Warnungen
Bezugnehmend auf Tabelle 7.2 wird im folgenden Abschnitt die Eektivitt von Bremsre-
aktionen untersucht, deren Ziel es sein sollte, eine Kollision zu vermeiden. Als Bezugsgre
wird die vor einem Hindernis abgebaute Geschwindigkeit gewhlt. In Abbildung 7.6 ist
11
Dies wird untermauert durch die Aussagen der Fahrer in den Fragebgen.
hierzu jeweils der prozentuale Geschwindigkeitsabbau (v) in einer Entfernung von 15 m
zum Hindernis, nach Fahrern, Systemen und Studien gegliedert, dargestellt.
12
Als Bezugs-
geschwindigkeit (v
0
) wurde das Maximum der gemessenen Fahrzeuggeschwindigkeit im
Bereich [0..2 s] vor dem detektierten Bremsreaktionszeitpunkt verwendet.
0 20 40 60 80 100
STPO05, N = 10
FRSA01, N = 12
SIDE30, N = 9
ANBO26, N = 11
NIGR08, N = 12
REKA01, N = 12
MAWA20, N = 12
v / v
0
[%]
Studie 1 analoges HMI
0 20 40 60 80 100
STPO05, N = 8
FRSA01, N = 11
SIDE30, N = 11
ANBO26, N = 11
NIGR08, N = 10
REKA01, N = 11
MAWA20, N = 10
v / v
0
[%]
Studie 1 EUCLIDE
0 20 40 60 80 100
BISC09, N = 13
MABU31, N = 11
KABU30, N = 12
MAGL02, N = 9
DASC12, N = 13
ROKU12, N = 12
HESC28, N = 11
CHBA03, N = 12
ANBA14, N = 12
HOIW01, N = 13
v / v
0
[%]
Studie 2 analoges HMI
0 20 40 60 80 100
BISC09, N = 10
MABU31, N = 12
KABU30, N = 9
MAGL02, N = 11
DASC12, N = 10
ROKU12, N = 11
HESC28, N = 9
CHBA03, N = 10
ANBA14, N = 9
HOIW01, N = 11
v / v
0
[%]
Studie 2 EUCLIDE
Abbildung 7.6: Prozentualer Geschwindigkeitsabbau 15 m vor dem Hindernis, aufgeschls-
selt nach Probanden
Die Abbildung zeigt interindividuelle Unterschiede zwischen den Fahrern, die deutlich gr-
er sind, als allein auf Basis unterschiedlicher Warnzeitpunkte zu erwarten gewesen wre.
Als Ausnahme hierzu ist die Fahrerin BISC09 zu werten, da sie bei beiden Systemen eine
diametral entgegengesetzte Reaktion zeigt, bei der auch keine berlappung der interquar-
tilen Boxplotbereiche auftritt. Das Ergebnis einer Varianzanalyse mit den Faktoren Sys-
tem und Fahrer deutet signikant auf eine Interaktion zwischen diesen beiden Faktoren
(p < 0,01) hin, sofern BISC09 in die Auswertung mit einbezogen wird. Die Ursache fr
diese Wechselwirkung ist primr auf Probleme bei der gleichzeitigen visuellen Wahrneh-
mung des analogen HMI und der Fahrszene zu suchen. BISC09 hat diese Aufgabe als fast
unmglich bewertet
13
und liegt damit deutlich ber den Wertungen der brigen Fahrer.
Eine weitere Varianzanalyse ohne BISC09 zeigt, dass zwischen den Systemen in beiden
Studien bzgl. v/v
0
ein signikanter Unterschied besteht (Studie 1: p < 0,01; Studie 2: p <
0,05). Der direkte Vergleich der beiden Systeme anhand von Abbildung 7.7 fllt in Studie 1
mit 22 % Unterschied im Median deutlich zugunsten des EUCLIDE Systems aus, whrend
in Studie 2 das analoge HMI einen im Median 14 % hheren Geschwindigkeitsabbau erzielt.
Dabei liegt in erster Linie eine Verschlechterung der Reaktionen in Zusammenhang mit
12
Da fr die Statistik eine Auswahl von Szenarien getroen wurde, die sicherstellt, dass die Bremsreak-
tionen allein durch die Warnungen und nicht etwa durch eine frhe Sichtbarkeit der Hindernisse erfolgt
sind, kann die Anzahl der Szenarien von den in Tabelle 7.5 genannten Werten abweichen.
13
Diese Bewertung wurde im Rahmen der Beanspruchungsmessung mit dem NASA-TLX-Fragebogen
aufgenommen. Eine detailliertere Auswertung erfolgt in Kapitel 7.6.
dem EUCLIDE System vor; der Geschwindigkeitsabbau mit dem analogen HMI ndert
sich nicht wesentlich.
analoges HMI, N = 78 EUCLIDE, N = 72
0
20
40
60
80
100

v

/

v
0

[
%
]
Studie 1
analoges HMI, N = 105 EUCLIDE, N = 92
0
20
40
60
80
100

v

/

v
0

[
%
]
Studie 2
Abbildung 7.7: Prozentualer Geschwindigkeitsabbau 15 m vor dem Hindernis, aufgeschls-
selt nach Systemen
Die deutliche Abnahme im prozentualen Geschwindigkeitsabbau bei EUCLIDE ist auf das
Zusammenwirken verschiedener Faktoren zurckzufhren. Zunchst sinkt die Entfernung,
in der eine Warnung im Info-Modus ausgegeben wird, von 115,3 m (Median in Studie 1)
auf 109,7 m (Median in Studie 2). Dies hngt unmittelbar mit der verschlechterten Kurs-
prdiktion in Studie 2 zusammen; eine Anpassung der Parameter fr die Warnausgabe zur
Kompensation dieses Eekts wre wegen der signikanten Erhhung der Fehlwarnungen
nicht in Frage gekommen. Durch die versptete Ausgabe verliert der Info-Modus einen
Teil seiner Funktion als Vorwarnung.
In Studie 1 ndet aufgrund der geringen Anzahl von Fehlwarnungen ein Groteil der Brems-
reaktionen bereits auf die Anzeige der Info-Warnung statt, erkennbar an der geringen
Zeitdauer zwischen der Ausgabe der Akut-Warnung und der Bremsreaktionen, vgl. Ta-
belle 7.7.
Im Gegensatz dazu warten die Fahrer anscheinend in Studie 2 vor einer Reaktion erst die
Warnung im Akut-Modus ab. Als Konsequenz ndet in Studie 2 eine Bremsreaktion im
Mittel 7 m nher am Hindernis statt als in Studie 1, wodurch sich im Wesentlichen der in
Abbildung 7.7 dargestellte Unterschied im prozentualen Geschwindigkeitsabbau ergibt.
Zustzlich zeigen die Daten in den ersten 3 s nach der Bremsreaktion auf eine akute War-
nung fr Studie 2 im Durchschnitt einen um 5 % geringeren Abbau der Ausgangsgeschwin-
digkeit als bei Studie 1. Dies deutet darauf hin, dass bei Studie 2 etwas weniger stark
gebremst wurde.
Merkmal
Studie 1 Studie 2
Info Akut Info Akut
Bremsreaktionszeit [s] 1,19 0,32 1,09 0,70
Tabelle 7.7: Medianwerte der Fahrerreaktionen von EUCLIDE fr Studie 1 und 2
Die Zeitdauer von maximal 0,70 s zwischen akuter Warnung und Bremsreaktion (Studie 2)
spricht dafr, dass die Warnungen des EUCLIDE Systems von den Fahrern kaum durch
einen kognitiven Prozess auf ihre Berechtigung berprft wurden, sondern mehr oder we-
niger direkt in eine Bremsreaktion mndeten.
Zum Vergleich mit EUCLIDE kann man fr den Beginn einer Warnung im analogen HMI
das berschreiten eines Grauwerts von 100 ansetzen.
14
Hiermit ergibt sich als Median der
Bremsreaktionszeit fr eine Warnung des analogen HMI eine Dauer von 1,10 s. Dieser Wert
liegt 0,40 s ber der Reaktionszeit auf eine akute Warnung von EUCLIDE (Tabelle 7.7).
Dieser erhhte Zeitbedarf fr eine Reaktion beim analogen HMI erklrt, weshalb sich
trotz frherer Warnung nur ein knapper Vorteil fr das analoge HMI beim Geschwindig-
keitsabbau in Studie 2 einstellt. Der Fahrer braucht hier zwar lnger fr die Analyse der
Warnung, hat dadurch aber auch im Vergleich zu EUCLIDE einen Sicherheitsgewinn bei
der Reaktion durch eine erhhte Akzeptanz.
Die Abhngigkeit der Bremsreaktionen vom Ablauf der Warnungsdarstellung im analogen
HMI soll nun etwas nher untersucht werden. Das erste Anzeichen fr eine Reaktion ist das
Lsen des Fahrpedals; unabhngig davon, ob der Fahrer der Warnung Glauben schenkt,
zgert er mit dieser Reaktion eine mgliche Kollision weiter hinaus.
Das Konzept des analogen HMI sieht vor, dass sich Systemunsicherheiten bei der Erfassung
und Spurzuordnung von Hindernissen in der Deutlichkeit der Warnung uern. Als Ma
hierfr lsst sich nach Gleichung 7.2 der tatschlich angezeigte Grauwert, bezogen auf den
maximal mglichen Grauwert
15
(der einer sehr sicheren Warnung entsprechen wrde) in
einem bestimmten Entfernungsbereich als relativer Grauwert berechnen:
relativer Grauwert =
150
d=100
_
dargestellter Grauwert(d)
maximaler Grauwert
_
(7.2)
Mit:
d : im HMI angezeigte Entfernung des Hindernisses
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
20
40
60
80
100
120
140
160
relativer Grauwert (d = 100...150 m) []
D
i
s
t
a
n
z

b
e
i

F
a
h
r
p
e
d
a
l
r
e
a
k
t
i
o
n

[
m
]
Abbildung 7.8: Distanz bei Fahrpedalreaktion bezogen auf relativen Grauwert im analogen
HMI (Studie 2)
14
Es kann aufgrund der im Folgenden erluterten Analysen davon ausgegangen werden, dass bei einem
Grauwert von 100 die Wahrnehmungsschwelle aller Fahrer berschritten wurde und eine Verlagerung der
Aufmerksamkeit auf das HMI stattgefunden hat.
15
Analog zur Berechnung der bezogenen Warndauer wird fr den maximalen Grauwert 255 angenom-
men.
Wie Abbildung 7.8 fr Studie 2 deutlich macht, hngt die Entfernung zum Hindernis, bei
der die Fahrpedalreaktion stattndet, davon ab, wie deutlich die Anzeige des Grauwerts
im Entfernungsbereich von 100 m bis 150 m ist. Eine Detailanalyse der Messpunkte ergibt:
Sofern eine Warnung angezeigt wird, bei der ein Grauwert von 100 fr mehr als 0,5 s sichtbar
ist, ndet zeitnah das Lsen des Fahrpedals statt. Der hier dargestellte Zusammenhang
lsst sich in hnlicher Weise auch aus den Daten von Studie 1 ableiten.
Zur Analyse der Bremspedalreaktion zeigt Abbildung 7.9 den Zusammenhang zwischen der
Entfernung zum Hindernis, bei der eine Bremsreaktion stattfand und der bezogenen Warn-
dauer, die seit der Fahrpedalreaktion im analogen HMI dargestellt wurde (Denition nach
Gleichung 7.3). Hier sind nur diejenigen Reaktionen enthalten, bei denen das Loslassen des
Fahrpedals in einer Entfernung oberhalb von 90 m erfolgte (frhe und deutliche Warnung).
Auerdem wurde zur Berechnung der dargestellte Grauwert auf einen Maximalwert von
100 limitiert.
16
bez. Warndauer seit FP =
T
BR
t=T
FR
_
max[dargestellter Grauwert(t), 100]
100
t
_
(7.3)
Zustzlich zu den bereits fr Gleichung 7.1 denierten Gren gilt:
FP : Fahrpedalbettigung
T
FR
: Zeitpunkt zum Beginn der Fahrpedalreaktion
Oenbar ist hnlich der Fahrpedalreaktion eine Mindestdauer der Warnung von 0,50 s
erforderlich, um eine Bremsreaktion hervorzurufen. Dies wird deutlich durch die Hufung
der Reaktionspunkte in diesem Bereich.
Auerdem ist die Streuung der Reaktionspunkte in vertikaler Richtung erkennbar; ein In-
diz dafr, dass in einigen Szenarien die bezogene Warndauer von 0,50 s erst bei einer
relativ geringen Distanz zum Hindernis erreicht wurde. Urschlich hierfr sind Einbrche
des dargestellten Grauwerts, die in der Fahrsimulation auf eine kurzzeitige Deplausibili-
sierung der Spurzugehrigkeit der entsprechenden Hindernisse und somit auf eine unklare
Kursprdiktion zurckgehen.
Als Kreis sind in Abbildung 7.9 jene Reaktionen dargestellt, bei denen eine Unterbre-
chung der Warnung (Grauwert = 0) fr mehr als 0,20 s auftrat. Diese Messpunkte liefern
einen Hinweis darauf, dass sofern eine Unterbrechung der Warnung stattfand, die Brems-
pedalreaktion grundstzlich erst sehr spt und bei einer deutlichen berschreitung des
Schwellenwerts von 0,50 s (bezogene Warndauer seit FP) erfolgte. Aufgrund der geringen
Hindernisentfernung, bei der reagiert wurde, ist anzunehmen, dass die Fahrer von einer
Fehlwarnung ausgingen und erst reagierten, als sie das Hindernis tatschlich sehen konn-
ten. Abbildung 7.10 zeigt ein typisches Beispiel fr ein solches Szenario. Der Ausfall der
Warnung ist hier auf eine fehlerhafte Kursprdiktion zurckzufhren.
Die Annherung an einen Felsen auf der Fahrbahn wird durch die Messgre Distanz Hin-
dernis, beginnend bei 200 m, angezeigt. Bei einer Hindernisentfernung von 151 m beginnt
16
Die Limitierung des dargestellten Grauwerts auf 100 erfolgt, um die Auswertung in Abbildung 7.9 durch
Schwankungen des Grauwerts auf hohem Niveau, nicht zu beeinussen. Aufgrund der vorangegangenen
Fahrpedalreaktion kann davon ausgegangen werden, dass die Fahrer die Warnung wahrgenommen haben
und ihr, trotz leichter Grauwertschwankungen, die die Wahrnehmbarkeit nicht beeintrchtigen, zunchst
vertrauen.
0 0.5 1 1.5 2 2.5 3 3.5
0
20
40
60
80
100
120
140
bezogene Warndauer seit FP (Grauwert 100) [s]
D
i
s
t
a
n
z

b
e
i

B
r
e
m
s
p
e
d
a
l
r
e
a
k
t
i
o
n

[
m
]
Warnung durchgngig
Warnung unterbrochen
Abbildung 7.9: Distanz bei Bremspedalreaktion ber bezogenem Grauwert seit der Fahr-
pedalreaktion im analogen HMI (Studie 2)
422 423 424 425 426 427 428 429
Zeit [s]
Beschleunigung [m/s]
Bremspedal []
Geschwindigkeit [m/s]
Fahrpedal []
Bremsbereitschaft []
Distanz Hindernis [m]
Warndistanz HMI [m]
Grauwert HMI []
Reaktionspunkt Bremspedal
Reaktionspunkt Fahrpedal
Abbildung 7.10: Spte Bremsreaktion auf unterbrochene Warnung (Felsbrocken in Fahr-
spur) - Studie 2, Fahrer CHBA03
die Warnung im analogen HMI (Messgre Warndistanz HMI), der dargestellte Grauwert
erreicht kurze Zeit spter einen Maximalwert von 130 (Messgre Grauwert HMI). Der
Fahrer reagiert hierauf 0,7 s spter mit dem Loslassen des Fahrpedals (Messgre Fahr-
pedal geht auf 0, s.a.Reaktionspunkt Fahrpedal). Auerdem setzt er den Fu sofort auf
das Bremspedal um (Anstieg der Messgre Bremsbereitschaft auf ca. 7).
17
Allerdings fllt die Warnung zeitgleich ab (Grauwert HMI und Warndistanz HMI ge-
hen auf 0), so dass eine Bremspedalbettigung ausbleibt (Bremspedal bleibt auf 0). Die
Bremspedalreaktion erfolgt erst beim Zeitpunkt 428,5 s (Reaktionspunkt Bremspedal
und Anstieg der Messgren Bremspedal sowie Beschleunigung) nach einer weiteren,
deutlichen Warnung mit einem Grauwert von etwa 200.
In Abbildung 7.9 sind auch einige Reaktionspunkte dargestellt, die dem bisher erluterten
Reaktionsablauf widersprechen, da die Bremsreaktion erst spt (60 m) und nach einer
sehr langen Warnungsdarstellung (>1,5 s) stattndet. Eine Begrndung fr die Streuung
der Reaktionspunkte in horizontaler Richtung liefert Abbildung 7.11. Hier sind Boxplots
der Hindernisentfernungen dargestellt, bei denen die Bremsreaktionen einzelner Fahrer
stattfanden; die Punkte, bei denen ein Fahrer aufgrund einer Unterbrechung der Warnung
spt reagiert hat, wurden nicht in die Wertung mit aufgenommen.
17
Die Bremsbereitschaft wurde ber eine Videokamera und einen daran angeschlossenen Analogrechner
gemessen, dessen Ausgangswert davon abhngt, wie weit der Fu das Bremspedal berdeckt.
Es zeigt sich, dass die Fahrerin KABU30 unabhngig davon, wie frh und deutlich die
Warnung zuvor dargestellt wurde grundstzlich erst ab einer angezeigten Entfernung
von etwa 60 m gebremst hat. Wie sich aus Abbildung 7.11 eindeutig ergibt, muss dieses
Verhalten im Vergleich zu den brigen Fahrern der Studie 2 als Ausreier angesehen werden.
20 40 60 80 100 120 140
MABU31, N = 4
KABU30, N = 6
MAGL02, N = 4
DASC12, N = 6
ROKU12, N = 9
HESC28, N = 9
CHBA03, N = 6
ANBA14, N = 6
HOIW01, N = 3
Distanz bei Bremspedalreaktion [m]
Abbildung 7.11: Hindernisdistanz bei Bremsreaktion im analogen HMI (Studie 2)
Grnde fr dieses Verhalten lassen sich aus der Auswertung der Fragebgen ableiten.
KABU30 gab hier als problematisch an, dass die Zeit zwischen der Wahrnehmung einer
Warnung und dem Erkennen des Hindernisses mit bloem Auge sehr kurz sei. Auf die Fra-
ge, was ihr am System besonders negativ aufgefallen war, stellte sie fest, dass man zwar
einen Balken sehe, dadurch aber nicht erkennen knne, wie weit entfernt das Hindernis
tatschlich ist. Diese Aussagen legen die Vermutung nahe, dass KABU30 Probleme mit
der Interpretation der dargestellten Perspektive hatte.
Die genannten Ursachen fr die Varianz in der Bremsreaktion beim analogen HMI beziehen
sich direkt auf die Warnungsdarstellung. Der Einuss direkt vorangegangener Fehlwarnun-
gen auf einzelne Bremsreaktionen scheint vergleichsweise gering zu sein, wohingegen ein
Anstieg der Fehlwarnungen beim EUCLIDE System zu einer deutlichen Verlngerung der
Reaktionszeit fhrt.
Beim analogen HMI fllt weiterhin auf, dass in einer Reihe von Szenarien, bei denen Ge-
genverkehr herrscht, eine Bremsreaktion trotz deutlicher Warnung erst sehr spt erfolgt.
Die Ursache hierfr ist, dass einige Fahrer Gegenverkehr als eine mgliche Ursache fr die
Ausgabe von Fehlwarnungen annahmen und daher die Warnung mit dem (sichtbaren) Ge-
genverkehr und nicht mit dem (meist nicht sichtbaren) Hindernis assoziierten. Diese These
wird durch entsprechende Aussagen in den Fragebgen gesttzt.
Die Auswertung der Reaktionen auf die berechtigten Warnungen in Studie 1 hat gezeigt,
dass die Kombination aus akustischer und visueller Warnung bei der akuten Warnstufe
von EUCLIDE vorteilhaft ist, wenn beim Fahrer ein hohes Vertrauen in die Ausgabe der
Warnungen herrscht. Es konnte jedoch anhand der Studie 2 gezeigt werden, dass Fehlwar-
nungen dieses Vertrauen bei EUCLIDE herabsetzen, wodurch die Fahrer in ihrer Reaktion
gehemmt wurden. Dieser Umstand uert sich in einer erheblichen Verlngerung der Re-
aktionszeit sowie in einer verschlechterten Ausfhrung der Reaktion.
Das analoge HMI fhrt generell zu einer etwas lngeren Reaktionszeit als die akute War-
nung von EUCLIDE, whrend der die Fahrer zustzliche Informationen ber die Verlss-
lichkeit der Warnung aufnehmen. Diese Informationen werden anscheinend zur Bildung
eines hheren Systemvertrauens auch bei Fehlwarnungen und damit zu einer besseren Re-
aktion benutzt, wie die Ergebnisse der Studie 2 zeigen. Es liegt die Vermutung nahe, dass
die Fahrer sich mit dem analogen HMI besser ber die Strken und Schwchen des Sys-
tems bewusst sind und eine dierenziertere Bewertung von Warnsituationen vornehmen,
als dies bei EUCLIDE der Fall ist. Diese Hypothese ist besonders bei der Auswertung der
subjektiven Daten hinsichtlich der Situation Awareness zu prfen.
Die geschilderten Vor- und Nachteile sprechen dafr, beide Systeme bei der Betrachtung des
objektiven Nutzens auf gleichem Niveau einzuordnen. Allerdings gehen die in Kapitel 7.5.1
angesprochenen kumulierten Kosten in Form einer aufgrund erhhter Fehlwarnungen ver-
schlechterten Reaktion eindeutig zu Lasten von EUCLIDE.
Die zu Beginn dieses Kapitels formulierten Fragestellungen zur optimalen Darstellung von
berechtigten Warnungen und von Fehlwarnungen lassen sich nun auf Basis der Auswertun-
gen der objektiven Daten beantworten:
Eine berechtigte Warnung muss mit einem Grauwert von mindestens 100 kontinuier-
lich fr eine Dauer von etwa 1,00 s dargestellt werden, um eine deutliche Bremsreak-
tion auszulsen. Unterbrechungen der Warnung, bei denen der Grauwert unter 100
abfllt, drfen fr maximal 0,20 s auftreten.
Zur bestmglichen Unterscheidbarkeit zwischen berechtigten Warnungen und Fehl-
warnungen sollte die Darstellung einer Fehlwarnung mit Grauwerten 100 einen
Zeitraum von 0,50 s nicht berschreiten.
Zur Ableitung lichttechnischer Grenzwerte fr die Warnungsdarstellung kann der Grauwert
von 100 mit dem Erreichen des Schwellenkontrasts gleichgesetzt werden. Der Schwellen-
kontrast gibt nach [62] die Wahrnehmungsschwelle an, ab der ein Symbol einer bestimmten
Gre, das in einem Head-Up Display dargestellt wird, vom Fahrer visuell wahrnehmbar
ist. Mit den Gren:
K
: Schwellenkontrast
L
O
: Objektleuchtdichte (Leuchtdichte der Warnung im Display)
L
U
: Umgebungsleuchtdichte (Leuchtdichte des Hintergrunds)
ist der Schwellenkontrast folgendermaen deniert:
K
=
L
O
L
U
L
U
(7.4)
Mit Hilfe dieser Formel und weiterer, in Anhang J beschriebener lichttechnischer Zusam-
menhnge lsst sich bei Kenntnis von
Umgebungsleuchtdichte und
Sehwinkel, d.h., Gre der Warnung im Display aus Fahrersicht
die minimale Leuchtdichte berechnen, mit der die Warnung bei einem Grauwert von 100 im
Display dargestellt werden muss, um die ermittelten Unterscheidungsmerkmale zwischen
berechtigter Warnung und Fehlwarnung zu gewhrleisten.
Die dargestellten berlegungen erlauben eine bertragung der im Fahrsimulator gewon-
nenen Erkenntnisse auf die Realitt und dienen als Basis fr die Parametrierung der War-
nungsdarstellung des analogen HMI im Versuchstrger.
7.6 Ergebnisse der subjektiven Daten
Dem logischen Aufbau der Fragebgen folgend, werden zunchst die Ergebnisse zur Be-
anspruchungsmessung und anschlieend die Bewertung der Systeme hinsichtlich Situation
Awareness sowie Gebrauchstauglichkeit besprochen. Schlielich werden die aus der Beant-
wortung der Fragebgen abgeleiteten mentalen Modelle der Fahrer bezglich der Ausgabe
von Fehlwarnungen und berechtigten Warnungen dargestellt und analysiert.
7.6.1 Ergebnisse der Beanspruchungsmessung
Bei der gewichteten Summe aller Beanspruchungskategorien stellt sich weder in Studie 1
noch in Studie 2 ein signikanter Unterschied zu Gunsten eines der beiden Systeme ein.
Ohne die Wertung von BISC09 zeigt sich allerdings in Studie 2 eine deutliche Vernderung
beim Rating des EUCLIDE-Systems, das ungewichtet bei Studie 1 mit einem Median von
11 Punkten im mittleren Bereich der Skala anzusiedeln ist. Bei Studie 2 erhht sich der
Wert jedoch auf 14, whrend sich das analoge HMI sogar von 11 auf 10 Punkte verbessert
und damit eine quasi gleichbleibende Beanspruchung unabhngig von der Anzahl der
Fehlwarnungen hervorruft.
Eine erhhte Beanspruchung der Fahrer aufgrund der hheren Anzahl an Fehlwarnungen
des analogen HMI ist im Gegensatz zum EUCLIDE-System nicht messbar. Oensichtlich
fhren die in Kapitel 7.5.1 erwhnten kumulierten Kosten, die sich aus der Gesamtanzahl
der Fehlwarnungen pro Fahrt ergeben, lediglich bei EUCLIDE zu einer erhhten Beanspru-
chung.
Bei den einzelnen Beanspruchungsdimensionen ist hier der Unterschied in der Wertung
der visuellen Beanspruchung am aulligsten. Sie spiegelt sich im Rating der Dimensionen
Aufmerksamkeit fr Entdeckung von Hindernissen und Gleichzeitige Wahrnehmung von
Umwelt und Display wider; Abbildung 7.12 und 7.13 stellen die Ergebnisse hierzu einander
gegenber.
analoges HMI EUCLIDE
(gering) 0
2
4
6
8
10
12
14
16
18
(hoch) 20
B
e
a
n
s
p
r
u
c
h
u
n
g
Studie 1
(gering) 0
2
4
6
8
10
12
14
16
18
(hoch) 20
B
e
a
n
s
p
r
u
c
h
u
n
g
Studie 2
Abbildung 7.12: Rating zur Beanspruchung durch Aufmerksamkeit fr Entdeckung von
Hindernissen
Der Vergleich der Beanspruchung durch die gleichzeitige Wahrnehmung von Umwelt und
Display zeigt eine Verschlechterung des EUCLIDE Systems (Anstieg der Beanspruchung)
neben einer deutlichen Verbesserung des analogen HMI um etwa 30 % bei Studie 2.
7.6 Ergebnisse der subjektiven Daten 119
(gering) 0
2
4
6
8
10
12
14
16
18
(hoch) 20
B
e
a
n
s
p
r
u
c
h
u
n
g
Studie 1
(gering) 0
2
4
6
8
10
12
14
16
18
(hoch) 20
B
e
a
n
s
p
r
u
c
h
u
n
g
Studie 2
Abbildung 7.13: Rating zur Beanspruchung durch gleichzeitige Wahrnehmung von Umwelt
und Display
Die Grnde fr den Anstieg der visuellen Beanspruchung bei EUCLIDE werden bei der
weiteren Auswertung der Fragebgen deutlich: Um fehlerhafte Reaktionen zu vermeiden,
ist eine huge berprfung des Nachtsichtbilds erforderlich, die oenbar wesentlich mehr
kognitive Ressourcen in Anspruch nimmt als die periphere Wahrnehmung des analogen
HMI. Die gleiche Tendenz zeigt sich auch bei der Beanspruchung durch die Aufmerksamkeit
fr die Entdeckung von Hindernissen, allerdings weniger stark ausgeprgt.
Aufgrund der hheren Anzahl an Fehlwarnungen in Studie 2 wre beim analogen HMI eine
erhhte Beanspruchung zu erwarten gewesen. Zur weiteren Analyse zeigt Abbildung 7.14
eine Zusammenstellung der einzelnen Fahrerwertungen fr die Beanspruchung durch gleich-
zeitige Wahrnehmung von Umwelt und Display. Die Zusammenstellung ist nicht nach Stu-
dien, sondern nach Geschlecht geordnet.
0 2 4 6 8 10 12 14 16 18 20
STPO05 (m)
FRSA01 (m)
HOIW01 (m)
ANBA14 (m)
CHBA03 (m)
HESC28 (m)
ROKU12 (m)
DASC12 (m)
MAWA20 (w)
REKA01 (w)
NIGR08 (w)
ANBO26 (w)
SIDE30 (w)
MAGL02 (w)
KABU30 (w)
MABU31 (w)
BISC09 (w)
Beanspruchung
Abbildung 7.14: Rating zur Beanspruchung durch gleichzeitige Wahrnehmung von Umwelt
und Display, einzelne Fahrer, analoges HMI
Aus dem Balkendiagramm geht hervor, dass einige Fahrerinnen das analoge HMI sowohl
in Studie 1 als auch in Studie 2 mit einer sehr hohen visuellen Beanspruchung bewerten.
Gleichzeitig haben einige (mnnliche) Fahrer das analoge HMI bei einer sehr niedrigen
Beanspruchung eingeordnet. Diese Fahrer stammen alle aus Studie 2.
Vergleicht man die einzelnen Beanspruchungswertungen aus Abbildung 7.14 mit der Anzahl
an Fehlwarnungen im analogen HMI fr die entsprechenden Fahrer in Tabelle 7.5, so fllt
auf, dass sich besonders die hohen Wertungen der Fahrerinnen MAGL02 und SIDE30 auf
eine vergleichsweise hohe Anzahl von Fehlwarnungen zurckfhren lassen.
Im Gegensatz dazu lassen sich insbesondere die sehr niedrigen Beanspruchungswertungen
der Fahrer DASC12 und HESC28 nicht mit besonders niedrigen Fehlwarnraten in Ver-
bindung bringen. Es hat den Anschein, als ob der Einuss von Fehlwarnungen auf die
subjektive Systembewertung durch das Geschlecht positiv oder negativ beeinusst werden
kann.
Eine weitere Erklrung fr die auerordentlich gute Bewertung des analogen HMI durch
die drei mnnlichen Fahrer DASC12, ROKU12 und HESC28 gibt die Auswertung von
Fragen zur Technikanitt, die allen Probanden vor den Versuchen gestellt wurden.
18
Das
Ergebnis dieser Auswertung ist wieder nach Geschlecht geordnet in Abbildung 7.15 dar-
gestellt. Oensichtlich spielt die Technikanitt insbesondere bei positiven Bewertungen
des analogen HMI eine Rolle, da die Fahrer DASC12 und HESC28 fr sich eine signi-
kant hhere (p < 0, 05) Technikanitt angeben, als die Fahrerinnen REKA01, ANBO26,
KABU30 und BISC09.
gering eher gering mittelmig eher hoch hoch
STPO05 (m)
FRSA01 (m)
HOIW01 (m)
ANBA14 (m)
CHBA03 (m)
HESC28 (m)
ROKU12 (m)
DASC12 (m)
MAWA20 (w)
REKA01 (w)
NIGR08 (w)
ANBO26 (w)
SIDE30 (w)
MAGL02 (w)
KABU30 (w)
MABU31 (w)
BISC09 (w)
Rating Technikaffinitt
Abbildung 7.15: Rating zur Technikanitt, einzelne Fahrer
18
Die Oenheit der Fahrer gegenber technischen Problemstellungen wurde anhand der Ratings zu drei
Fragen aufgenommen:
a. Ich kann ziemlich viele der technischen Probleme, mit denen ich konfrontiert bin, alleine lsen.
b. Technische Gerte sind fr mich oft undurchschaubar und schwer zu beherrschen.
c. Es macht mir richtig Spa, ein technisches Problem zu knacken.
Diese Fragen wurden als wiederholte Messung der Gre Technikanitt gewertet.
Generell ist ein Zusammenhang zwischen Technikanitt und Geschlecht sichtbar, wobei
Mnner sich gegenber technischen Herausforderungen oener zeigen als Frauen. Aufgrund
der geringen Probandenanzahl ist allerdings ein zuflliges Zustandekommen dieses Zusam-
menhangs nicht auszuschlieen.
Wie bereits in Kapitel 7.5.2 angesprochen, hatte die Fahrerin BISC09 ganz erhebliche Pro-
bleme bei der visuellen Interpretation der im analogen HMI dargestellten Perspektive. Dies
zeigt sich bei den von ihr vorgenommenen Wertungen fr die Beanspruchungen der Katego-
rien Aufmerksamkeit fr Entdeckung von Hindernissen und Gleichzeitige Wahrnehmung
von Umwelt und Display, sowie Einschtzung gefhrlicher Fahrsituationen. Whrend
das analoge HMI von ihr mit einer sehr hohen Beanspruchung bewertet wurde, schnitt
EUCLIDE mit sehr niedrigen Werten ab. Damit unterscheidet sie sich deutlich von den
brigen Probanden. Die Fahrerin gibt hierzu in den Fragebgen an, dass die Warnung im
analogen HMI zu spt angezeigt, bzw. zu spt von ihr wahrgenommen wurde. Oenbar
hat die Probandin bei EUCLIDE im Wesentlichen auf das akustische Signal der akuten
Warnung reagiert; dies wird von ihr auch so im Fragebogen angegeben.
7.6.2 Ergebnisse der kombinierten Messung von Situation Awa-
reness und Gebrauchstauglichkeit
Wie aufgrund der geringen Fehlwarnrate zu erwarten war, erzielt das EUCLIDE-System
in Studie 1 hinsichtlich smtlicher Kategorien der Gebrauchstauglichkeit und der Situation
Awareness hhere Wertungen als das analoge HMI (Tabelle 7.8). ber alle Kategorien
gemittelt entspricht der Abstand beider Systeme mit 0,7 Punkten fast einer Wertungsebene
auf der fnfstugen Skala
19
, wobei EUCLIDE im Bereich groer Zustimmung (trit eher
zu mit Tendenz zu trit absolut zu) anzusiedeln ist. Mit einer Fehlerwahrscheinlichkeit
von p < 0,01 ist der Unterschied in der Bewertung beider Systeme hochsignikant.
Wahrnehmung
analoges HMI: 4,0 analoges HMI: 3,6 analoges HMI: 3,5
EUCLIDE: 4,6 EUCLIDE: 4,4 EUCLIDE: 4,1
Verstndnis
analoges HMI: 3,3 analoges HMI: 4,1 analoges HMI: k.A.
a
EUCLIDE: 4,1 EUCLIDE: 4,6 EUCLIDE: k.A.
a
Reaktion
Tabelle 7.8: Mittelwerte der Fragebogenwertungen aus Studie 1
a
k.A.: keine Angabe. Hierzu liegen lediglich Aussagen in Textform vor.
Im Gegensatz dazu liegt das analoge HMI in Studie 2 ohne BISC09
20
ber alle Kategorien
gesehen um 0,2 Punkte vor EUCLIDE, p < 0,05. Am deutlichsten ist der Unterschied
in Tabelle 7.9 im Bereich Wahrnehmung. Whrend das analoge HMI in den Kategorien
Eektivitt und Ezienz der Wahrnehmung signikant vor EUCLIDE liegt, wurde der
Bereich Zufriedenheit, hnlich der Studie 1, besser bei EUCLIDE bewertet, was wie
19
Die Skala enthlt die Auswahlmglichkeiten trit absolut nicht zu (Wertung = 1), trit eher nicht
zu (Wertung = 2), weder noch (Wertung = 3), trit eher zu (Wertung = 4) und trit absolut zu
(Wertung = 5).
20
Zur Begrndung der Auswertung ohne die Fahrerin BISC09 vgl. Kapitel 7.5.2.
Wahrnehmung
Verstndnis
analoges HMI: 3,3 analoges HMI: 3,9 analoges HMI: k.A.
EUCLIDE: 3,2 EUCLIDE: 4,0 EUCLIDE: k.A.
Reaktion
Tabelle 7.9: Mittelwerte der Fragebogenwertungen aus Studie 2 ohne BISC09
Aussagen einiger Probanden belegen mglicherweise am hheren Interessantheitsgrad
der Darstellung des Videobilds auf dem HUD liegt.
Aus den zustzlichen Angaben des Fahrers HESC28 ergibt sich als Ursache fr die schlech-
te Bewertung des EUCLIDE-Systems im Bereich Wahrnehmung - Eektivitt, dass das
Nachtsichtbild nicht aus der Blickperipherie verarbeitet werden konnte und daher bei jeder
Warnung eine Verlagerung der Aufmerksamkeit auf das HUD stattnden musste. Da die
Wertung dieser Kategorie in Studie 1 wesentlich besser war, lsst sich ein direkter Zusam-
menhang mit der erhhten Anzahl der Fehlwarnungen herstellen. Es ist zu vermuten, dass
die verminderte Verlsslichkeit der akustischen Warnung die Fahrer verstrkt dazu ntigt,
das Nachtsichtbild zu beobachten und darin nach einer Warnung sowie dem zugehrigen
Hindernis zu suchen.
Fr den Bereich Wahrnehmung - Ezienz wurde den Fahrern u.a. die folgende Aussage zur
Bewertung vorgelegt: Mit ein bisschen bung war es fr mich einfach, die auf dem Head-Up
Display dargestellten Informationen wahrzunehmen. Sie wurde mit einem signikantem
Unterschied (p < 0,05) zu Gunsten des analogen HMI beantwortet (analoges HMI: trit
eher zu; EUCLIDE: weder noch). Eine Begrndung hierfr liefern die in Kapitel 7.6.1
erluterten Ergebnisse der visuellen Beanspruchungsmessung.
Im Folgenden werden weitere Erkenntnisse der subjektiven Daten zusammengefasst, die in
direktem Bezug zu Reaktionen auf berechtigte Warnungen und Fehlwarnungen stehen.
7.6.3 Systembewertung auf Basis der Fehlwarnungen
Alle Fahrer haben erkannt, dass Fehlwarnungen am Hugsten in Verbindung mit Kurven
und Randobjekten (z.B. Schilder) auftreten und fhren dies auf Erfassungsprobleme der
Warnsysteme zurck. Dieses Wissen nutzten die Probanden auch zur Unterscheidung zwi-
schen Fehlwarnungen und berechtigten Warnungen, weshalb Reaktionen bei Warnungen in
Kurven eher unterdrckt oder erst versptet ausgefhrt wurden.
Eine zustzliche Verwendung des bei EUCLIDE dargestellten Videobilds zur Plausibili-
sierung der Warnungen durch Blickzuwendung fand eher selten statt. Die Mehrzahl der
Fahrer kritisiert sogar die nur schwer durchfhrbare Ortung von Hindernissen im Bild,
trotz des eingeblendeten Warndreiecks der Info-Warnung. Auerdem wird die erhhte ko-
gnitive Beanspruchung durch die erforderliche Auswertung des Nachtsichtbilds bemngelt.
Die ausschlaggebende Informationsquelle zur Unterscheidung zwischen einer berechtigten
Warnung und einer Fehlwarnung im EUCLIDE-System war bei Studie 1 die Ausgabe der
akustischen Warnung. Aufgrund der gestiegenen Fehlwarnrate war dieser Mechanismus in
Studie 2 nicht mehr nutzbar, weshalb die akustische Warnung hier auch von der Mehrzahl
der Fahrer als Strfaktor empfunden wurde. Viele Probanden geben auerdem an, bei ei-
ner akustischen Warnung automatisch stark gebremst zu haben, wohl wissend, dass dieses
Verhalten im realen Folgeverkehr schwerwiegende Folgen haben knnte.
Beim analogen HMI werden von den Fahrern die in Kapitel 7.5.1 bei der Auswertung der
Reaktionen auf Fehlwarnungen identizierten Mechanismen zur Unterscheidung zwischen
Fehlwarnungen und berechtigten Warnungen besttigt. Auch die Fragebogenelemente zur
Analyse des Systemverstndnisses sttzen diese Interpretation, wobei aullt, dass in Stu-
die 1 ein leicht fehlerhaftes Verstndnis der Anzeige von Randobjekten im analogen HMI
vorherrschte. Die Mehrzahl der Fahrer ging hier davon aus, dass Randobjekte, sofern sie
den prdizierten Fahrschlauch berhren, im HMI als graue Balken auerhalb der dar-
gestellten Fahrbahnmarkierungen angezeigt werden. Diese Interpretationsprobleme treten
gehuft bei den weiblichen Studienteilnehmern auf und korrelieren auch mit der niedrigen
Technikanitt dieser Probanden. Allerdings lsst sich aufgrund der kleinen Stichprobe
ein zuflliges Zustandekommen dieser Korrelation nicht ausschlieen.
7.6.4 Systembewertung auf Basis der berechtigten Warnungen
Die Einschtzung der Gefhrlichkeit bestimmter Fahrsituationen und die subjektive Ein-
schtzung der Qualitt ihrer zugehrigen Reaktionen zur Kollisionsvermeidung wurde durch
eine Befragung der Probanden whrend der Fahrt aufgenommen. Die Befragung erfolgte
jeweils nach einem Szenario der Kategorie a oder c. Die Ergebnisse dieser Befragung
verhalten sich analog zu den Resultaten der objektiven Daten. In Studie 1 wurde die Qua-
litt der Reaktion mit dem EUCLIDE-System siginikant besser eingeschtzt, als mit dem
analogen HMI. Dies zeigt eine gute Selbsteinschtzung der Probanden.
Beide Studien zeigen eine ausgeprgte negative Korrelation zwischen der Beantwortung
der Fragen Wie gut haben Sie die Situation gemeistert? und Wie gefhrlich war die Si-
tuation fr Sie?, d.h., je gefhrlicher die Fahrer eine Situation einschtzen, desto besser
haben sie ihrer Meinung nach diese Situation gemeistert. Die Wertungen in Studie 2 oen-
baren ohne BISC09 keine signikanten Unterschiede zwischen den beiden Systemen,
weder hinsichtlich der Bewertung der Reaktion, noch in Bezug auf die Gefhrlichkeit der
Situation.
Viele Fahrer bemngeln zwar eine zu spte Warnausgabe bei EUCLIDE, sind aber der
Meinung, mit diesem Warnsystem deutlich frher zum Stillstand gekommen zu sein, als
mit dem analogen HMI. Urschlich hierfr ist oenbar einerseits das Videobild, das laut
Fahrer DASC12 mehr gefhlte Kontrolle ber die Fahrsituation gibt sowie die akustische
Warnung, die vielen Fahrern wegen ihrer Deutlichkeit ein Gefhl der Sicherheit verleiht.
Ohne den Warnton sind sie der Meinung, spter reagiert zu haben.
Eine periphere Wahrnehmung geben die Probanden nur im Zusammenhang mit dem analo-
gen HMI an. Insbesondere in Studie 2 wurde die einfache, deutliche Symbolik des analogen
HMI bevorzugt, da sie weniger Aufmerksamkeit auf sich zieht und einfacher zu interpre-
tieren ist als das Videobild von EUCLIDE. Auch die Unterscheidung zwischen Fahrzeugen
und sonstigen Hindernissen im EUCLIDE HMI ist aus Fahrersicht keine wichtige Infor-
mation, sondern trgt eher zur Verwirrung bei, zumal dieser Hinweis ohnehin oft verloren
geht, weil er nur aus dem Augenwinkel gesehen wird.
Die perspektivische Entfernungsangabe anhand der Segmente im analogen HMI schneidet
insbesondere in Studie 2 in der Fahrerwertung wesentlich besser ab als die von EUCLIDE
dargestellte berlagerung der Objektposition im Videobild mittels Warndreieck. Einige
Fahrer uern allerdings auch Probleme bei der Ableitung einer konkreten Hindernisentfer-
nung aus der Darstellung des analogen HMI. Die Angabe einer lateralen Hindernisposition
anhand des farbigen Kreuzes im Nahbereich lehnen die meisten Probanden in Studie 2
ab, da das Hindernis in diesem Entfernungsbereich bereits deutlich im Scheinwerferlicht zu
sehen und eine unfallvermeidende Reaktion nicht mehr mglich ist.
Hinweise auf die Verlngerung der Reaktionszeit durch vorangegangene Fehlwarnungen ge-
ben die uerungen einiger Fahrer in Zusammenhang mit dem EUCLIDE HMI in Studie 2.
So gibt MABU31 an, sich wegen der zahlreichen Fehlwarnungen ab der Hlfte der Fahrt
nicht mehr auf das EUCLIDE System verlassen zu haben.
7.7 Zusammenfassung und Diskussion der Ergebnisse
Fr den Vergleich des neuen warnenden Nachtsichtsystems mit dem stug warnenden
EUCLIDE-System, das dem Stand der Technik entspricht, wurde ein neuartiges Unter-
suchungsdesign entwickelt, das die beiden zur Untersuchung von Fahrerassistenzsystemen
etablierten Konstrukte Situationsbewusstsein und Gebrauchstauglichkeit miteinander
verbindet. Unter Einbeziehung von Beanspruchungsmerkmalen wurden aus den genann-
ten Konstrukten Untersuchungsmae zur Erfassung subjektiver und objektiver Messdaten
der Probanden abgeleitet. Schlielich erfolgte der Vergleich des analogen HMI und des
EUCLIDE-Systems in der Fahrsimulation anhand einer Kombination aus Nutzen- und
Fehlwarnszenarien.
Die Ergebnisse zeigen, dass das analoge HMI seine eindeutigen Strken in der Filterung von
Fehlwarnungen bei geringer kognitiver und visueller Beanspruchung besitzt. Der Vorteil des
EUCLIDE-Systems besteht in der Direktheit der Kombination aus akustischer und visuel-
ler Warnungsdarstellung. Das Warndilemma an sich vermag auch das analoge HMI nicht
aufzulsen, wobei sich im Wesentlichen die Kursprdiktion mit unzureichender Reichweite
als Nadelhr erweist. Die hierdurch hervorgerufenen Strungen bei der Hindernisauswahl,
insbesondere bei Kurven, fhren beim schwellenbasierten EUCLIDE System entweder zu
keiner Beeintrchtigung der Warnung oder allenfalls zu einer verspteten Aktivierung der
Warnausgabe, je nachdem, ob die Warnschwelle vor der Strung bereits berschritten war
oder nicht.
Beim analogen HMI sind diese Strungen im Verlauf einer Warnung als deutliche Grauwert-
schwankungen und in Form von Unterbrechungen des Flussmusters der Warnung erkennbar
und werden als Unsicherheitsfaktor in die Entscheidung, ob und wann eine Reaktion erfol-
gen soll, mit einbezogen. Die Reaktionszeit eines Fahrers ist mit dem analogen HMI umso
geringer, je hher die anhand der angezeigten Annherung an das Hindernis empfundene
Dringlichkeit ist und je hher das anhand der Durchgngigkeit der Anzeige ermittelte Ver-
trauen in die Warnung ist. Das generelle Niveau der Reaktionszeit wird durch lngerfristige
Erfahrungswerte des Fahrers mit dem System beeinusst.
In Bezug auf die Verlsslichkeit der Warnausgabe bietet das analoge HMI eine wesentlich
bessere Untersttzung des Situationsbewusstseins der Fahrer als das EUCLIDE System.
Die Kehrseite besteht darin, dass die Wertung des Gesamtsystems durch die Fahrer trotz
objektiv besserer Reaktionsleistungen hinter der eines digital warnenden Systems wie
EUCLIDE zurckbleibt, da die Schwchen der Objektdetektion und der Kursprdiktion
beim analogen HMI besser erfahrbar sind. Die uerungen einiger Fahrer lassen allerdings
auch eine gewisse Gefahr erkennen, dass sie sich durch die mangelnde Rckmeldung des
EUCLIDE Systems ber Hindernisplausibilitten in einer Sicherheit wiegen, die das System
tatschlich gar nicht liefert.
Kapitel 8
Expertenevaluierung im Fahrzeug
Zum Nachweis der Wirksamkeit des entwickelten Warnkonzepts in realen Fahrsituationen
wurde im Anschluss an die Systemuntersuchung in der Fahrsimulation eine Expertenevalu-
ierung im Testfahrzeug durchgefhrt. Im Rahmen dieses Feldversuchs fand eine Detailana-
lyse des Reaktionsverhaltens im Zusammenspiel mit berechtigten und falschen Warnungen
des analogen HMI statt. Durch die so gewonnenen Ergebnisse sollten die Erkenntnisse der
Fahrsimulation besttigt und weiter vertieft werden.
Um mglichst eektiv viele Hinweise zur Optimierung des Warnsystems zu erhalten, wur-
den als Probanden Experten aus verschiedenen, an der Entwicklung von Fahrerassistenz-
systemen beteiligten Fachgebieten eingesetzt.
Das verwendete Versuchsfahrzeug wurde mit seiner Ausstattung bereits in Kapitel 3.2
beschrieben. Vorversuche auf der spteren Teststrecke ergaben, dass sich auf Basis der
vorhandenen Sensorik bei einer akzeptablen Anzahl von Fehlwarnungen eine Vorwarnzeit
von maximal 4 s erzielen lie.
Aufgrund des eingeschrnkten Bauraums im Versuchstrger musste der Blickwinkel des
Head-Up Displays gegenber der Fahrsimulation verkleinert werden. Dementsprechend er-
folgte auch eine Anpassung der Darstellung im analogen HMI, so dass eine berechtigte
Warnung wie in der Fahrsimulation durch ein Flussmuster ber eine entsprechende Di-
stanz dargestellt wurde. Da die Reichweite des Systems von 5,8 s auf 4 s verringert wurde,
erfolgte eine Verschiebung des Anzeigebereichs hin zu geringeren Entfernungen.
8.1 Versuchsdesign
Die Fahrten wurden auf einer Versuchsstrecke im entlichen Straenverkehr durchgefhrt,
wobei ein Teil der Versuchsstrecke (ca. 2,7 Kilometer) fr diesen Versuch abgesperrt wurde.
Auf diesem abgesperrten Teilabschnitt wurden kritische Situationen induziert, um den
Probanden den Nutzenfall erlebbar zu machen. Hierzu wurden unbeleuchtete Objekte in
Form von Schaumstoquadern auf der Fahrbahn positioniert, die zur besseren Detektier-
barkeit durch den Radarsensor mit Retroreektoren ausgestattet waren. Um die Sichtbar-
keit der Hindernisse im Scheinwerferlicht zu minimieren, wurden die Quader mit schwarzem
Sto umhllt, wie Abbildung 8.1 zeigt.
An vier Positionen auf der Versuchsstrecke konnten Hindernisse stehen, die Stellen waren
den Probanden nicht bekannt. Der abgesperrte Teil der Strecke ist, zusammen mit den
126 8. Expertenevaluierung im Fahrzeug
Abbildung 8.1: Quader mit Retroreektor als stehendes Hindernis, links mit schwarzem
Sto umhllt

1
2
3
4
P Klberstelle
P Ost
P West
Abbildung 8.2: Streckenverlauf mit Hindernispositionen
mglichen Hindernispositionen 14, in Abbildung 8.2 dargestellt. ber die Versuchsdauer
wurden die Streckenabschnitte, in denen Hindernisse auftraten, so variiert, dass fr die
Probanden kein Muster erkennbar war.
Das Versuchsdesign mit der kombinierten Messung der Gebrauchstauglichkeit und der Si-
tuation Awareness nach Tabelle 7.2 aus der Fahrsimulation wurde auch fr die Expertene-
valuierung eingesetzt. Die Messung der Beanspruchung erfolgte analog zur Fahrsimulation
ber den NASA-TLX mit den in Tabelle 7.4 genannten Beanspruchungskategorien.
8.1.1 Versuchsablauf
Um eine verlssliche Messung zu erzielen, wurden mehrere lngere Versuchsfahrten durch-
gefhrt, die als Messwiederholung eine Reihe kritischer Situationen mit stehenden Hin-
dernissen beinhalteten. Die mitfahrende Versuchsleiterin bernahm die Streckennavigation
und die Abfrage der subjektiven Daten.
Jeder Versuch startete mit einer Fahrt zur Gewhnung an die Versuchssituation und an
den Umgang mit dem Fahrzeug. Dazu wurde eine Landstrae von ca. 10 Kilometern Lnge
ausgewhlt, die nicht zur Versuchsstrecke gehrte, aber hnliche Streckenmerkmale ent-
hielt. Das warnende Nachtsichtsystem blieb in dieser Phase ausgeschaltet, es wurden auch
keine kritischen Situationen mit stehenden Hindernissen gestellt.
Nach der Eingewhnung wurde der Proband von der Versuchsleiterin ausfhrlich in die
Funktionalitt des warnenden Nachtsichtsystems eingewiesen. Diese Einweisung erfolgte
im stehenden Fahrzeug anhand von Bildern der HMI-Darstellung bei verschiedenen Situa-
tionen.
Im Anschluss an die Einweisung in das System begann die eigentliche Versuchsfahrt auf
dem abgesperrten Streckenteil. Vor Fahrtbeginn wurde den Probanden durch die Ver-
suchsleiterin mitgeteilt, dass sich innerhalb der Versuchsstrecke Hindernisse in Form von
schlecht sichtbaren Schaumstoquadern auf der Fahrbahn befnden. Aus Sicherheitsgrn-
den wurden die Probanden darber informiert, dass eine Kollision mit diesen Hindernissen
unkritisch wre. Ziel des Versuchs sei es jedoch, mit der Untersttzung des warnenden
Nachtsichtsystems, so frh wie mglich eine Bremsreaktion einzuleiten, um eine Kollision
zu verhindern. Ausweichmanver wurden, ebenfalls aus Grnden der Fahrsicherheit, nicht
verboten. Weiterhin wurden die Fahrer durch die Versuchsleiterin angewiesen, den Limiter
1
des Fahrzeugs auf 80 km/h einzustellen.
Zunchst fhrte jeder Fahrer probeweise einige Brems- und Ausweichmanver durch, um
das Verhalten des Versuchsfahrzeugs kennen zu lernen. Anschlieend startete die Phase 1
des Feldversuchs, in der zwei Hindernisse auf der Fahrbahn positioniert waren. Die erste
Phase diente zur zustzlichen Eingewhnung der Fahrer an die Ausgaben des Systems und
dem Kennenlernen der kritischen Situationen mit den abgedunkelten Schaumstoquadern.
Weitere Verstndnisfragen zu den Warnausgaben des Systems wurden im Anschluss an
diese Phase geklrt.
In Phase 2 des Versuchs fuhren die Probanden bei einer Maximalgeschwindigkeit von
80 km/h auf der abgesperrten Versuchsstrecke mehrfach hin und her, dabei wurden sie
mit insgesamt 9 Hindernissen konfrontiert.
Die Maximalgeschwindigkeit von 80 km/h wurde fr die erste Hlfte des Versuchs gewhlt,
da Ausweichmanver bei dieser Geschwindigkeit in der Regel unkritisch sind. Auf diese
Weise wurde den Probanden neben den bereits erwhnten Manahmen zur Eingewhnung
eine weitere Gelegenheit gegeben, sich langsam an die Versuchssituation zu gewhnen.
Die dritte Phase wurde analog zur zweiten Phase durchgefhrt, mit dem Unterschied, dass
die durch den Limiter begrenzte Geschwindigkeit 100 km/h betrug.
Die vierte und letzte Phase der Expertenevaluierung bestand in einer Fahrt im normalen
Straenverkehr auf einer nicht abgesperrten Landstrae (etwa 20 Minuten), bei der auch
zwei Runden durch das abgesperrte Teilstck gefahren wurden. Whrend der Fahrt auer-
halb der Absperrung hatten die Fahrer die Mglichkeit, die Systemausgaben im normalen
Straenverkehr kennen zu lernen und so Aussagen zu weiteren Optimierungsmglichkeiten
zu machen. Auerdem sollten die Fahrer von der Versuchssituation abgelenkt werden, bei
der naturgem eine Erwartungshaltung fr das Auftreten von Hindernissen bestand. Bei
der zweiten Durchfahrt durch das abgesperrte Teilstck befand sich nochmals ein stehen-
des Hindernis auf der Fahrbahn, um die Reaktion auf diese nach der freien Fahrt eher
unerwartete Situation einer berechtigten Warnung zu erfassen.
1
Der Limiter begrenzt das Motormoment, sobald eine zuvor eingegebene Geschwindigkeit erreicht ist.
Hierdurch wird verhindert, dass das Fahrzeug ber die gewnschte Geschwindigkeit hinaus beschleunigt,
ohne dass der Fahrer dies permanent durch den Blick auf den Tachometer berwachen muss.
In den einzelnen Versuchsphasen wurden die Fahrer nach jeder Durchfahrt durch die Test-
strecke, bei der ein stehendes Hindernis aufgetreten war, befragt, wie hoch sie die Gefhr-
lichkeit der Fahrsituation und die Qualitt ihrer Brems- und Ausweichreaktion auf einer
15-stugen Skala einschtzen.
2
Im Anschluss an die Versuchsphasen 2 und 3 erfolgte eine Aufnahme der subjektiven Daten
analog zur Fahrsimulation, der Paarvergleich zum NASA-TLX wurde von den Probanden
nach Beendigung der Phase 4 ausgefllt. Kommentare der Experten whrend der Fahrt
wurden von der Versuchsleiterin notiert.
Pro Proband dauerte der Versuch ca. 23 h. Innerhalb eines Tages wurden zwei Versu-
che mit zwei Probanden durchgefhrt (z.B. von 17:00 bis 19:45 Uhr und von 19:15 bis
22:00 Uhr).
In den Tagen nach der Testfahrt fhrte die Versuchsleiterin mit jedem Probanden ein te-
lefonisches Interview durch. Dabei wurden Vorteile, Strfaktoren und Verbesserungsmg-
lichkeiten des Systems besprochen.
8.1.2 Stichprobe
An dem Feldversuch nahmen Experten der Robert Bosch GmbH aus den Bereichen Psy-
chologie, HMI-Gestaltung, Sensordatenverarbeitung und Systementwicklung teil. Um eine
mglichst hohe Varianzhomogenisierung zu erzielen, wurden nur Probanden im Alter von
31 bis 48 Jahren eingeladen, das Durchschnittsalter des Probandenkollektivs lag bei 39 Jah-
ren.
Die Stichprobe bestand aus 15 Mnnern und einer Frau (vgl. Tabelle 8.1); die Fahrer
hatten im Mittel 21 Jahre Fahrpraxis. Damit war die Expertengruppe deutlich erfahrener
im Straenverkehr als die Probanden der Fahrsimulation.
Ein Groteil der Experten hatte bereits Vorerfahrungen sowohl mit warnenden Nacht-
sichtsystemen als auch mit sonstigen Fahrerassistenzsystemen zur Kollisionswarnung. Alle
Fahrer waren im Rahmen ihrer Ttigkeit bereits mit bildgebenden Nachtsichtsystemen in
Kontakt gekommen oder hatten direkt an der Entwicklung solcher Systeme gearbeitet.
8.2 Ergebnisse der objektiven Daten
Analog zur Auswertung der objektiven Daten der Fahrsimulation stellt Tabelle 8.1 die
Verteilung der Warnhugkeiten fr die Phasen 13 der Expertenevaluierung dar. Die
Denitionen der einzelnen Spalten von Tabelle 8.1 entsprechen den Angaben in Kapitel 7.5.
In der Tabelle wurde Phase 4 nicht mitgezhlt. Sie beinhaltet fr jeden Fahrer jeweils noch
ein Nutzenszenario, allerdings fand die Aufnahme der subjektiven Daten, deren Ergebnisse
in Bezug zu den objektiven Daten ausgewertet werden, per Fragebogen nach Beendigung
der Phase 3 statt. Daher gelten die angegebenen Hugkeiten bis zur Phase 3.
Insgesamt hlt sich die Anzahl der spten Warnungen im Vergleich zur Fahrsimulation sehr
in Grenzen, allerdings elen bei knapp der Hlfte der Fahrer zwei oder mehr Szenarien aus
2
Zur subjektiven Einschtzung der Fahrsituation und der Reaktion wurde die gleiche Skala wie bei der
Fahrsimulation verwendet. Der Bereich der Skala verluft von sehr gefhrlich / sehr gut bis gar nicht
gefhrlich / sehr schlecht.
Fahrer Warnungen analoges HMI
Nr. Geschlecht Alter korrekt spt fehlend falsch
1 m 35 20 0 0 25
2
a
m 39 18 0 0 26
3
a
m 32 15 0 0 40
4 m 42 20 0 0 48
5
a
w 31 19 0 0 21
6 m 41 20 0 0 20
7 m 48 20 0 0 27
8 m 36 19 1 0 24
9
a
m 39 18 0 0 29
10 m 36 18 2 0 19
11 m 41 17 3 0 12
12
a
m 47 16 1 0 11
13
b
m 38 - - - -
14
a
m 36 18 1 0 26
15
a
m 33 19 0 0 27
16 m 46 20 0 0 29
Tabelle 8.1: Verteilung der Warnungen in den Phasen 13
a
Aufgrund von Ausreiern, die nicht mitgewertet wurden, kann die Gesamtanzahl der korrekten Sze-
narien zwischen den Fahrern variieren.
b
Da die Datenaufzeichnung des Fahrers 13 fehlerhaft war, wurde dieser Proband von der Auswertung
der objektiven Daten ausgeschlossen.
der Wertung heraus, da hier nicht gebremst, sondern lediglich ausgewichen wurde. Trotz
der geringen Anzahl der in der objektiven Auswertung als spt klassizierten Warnungen
empfanden viele Fahrer die Warnausgabe subjektiv als recht spt. Diese Diskrepanz ergibt
sich daraus, dass die Auswertung in Tabelle 8.1 entsprechend der Denition in Kapitel 7.5
eine Warnung dann als spt wertet, wenn der Fahrer bereits vor der Warnungsausgabe
gebremst hat. Aufgrund der schlechten Sichtbarkeit der abgedunkelten Schaumstoquader
wurde die Warnung zwar in der Regel vor der Sichtbarkeit des Hindernisses fr den Fahrer
ausgegeben, aber dennoch sehr spt fr eine erfolgreiche Bremsreaktion. Eine ausfhrlichere
Auswertung der Warn- und Reaktionszeitpunkte ndet in Kapitel 8.2.2 statt.
Die durchschnittliche Anzahl an Fehlwarnungen liegt mit 25,6 deutlich unter dem Niveau
der Fahrsimulation, aber im Vergleich zur Anzahl der Nutzenszenarien (20) immer noch
recht hoch. Aullig ist die Hufung der Fehlwarnungen bei den Fahrern 3 und 4 sowie die
vergleichsweise niedrige Hugkeit von Fehlwarnungen bei Fahrer 12.
3
Die hohe Bandbreite
bei der Anzahl von Fehlwarnungen zeigt die Schwierigkeit, vergleichbare Messbedingungen
bei den realen Fahrversuchen zu erzielen.
8.2.1 Reaktionen auf Fehlwarnungen
Die Zusammenstellung der Hugkeit von Fehlwarnungen (FW) und aufgrund der Fehl-
warnungen erfolgter Bremsreaktionen in Tabelle 8.2 folgt der entsprechenden Auswertung
3
Die deutlich erhhte Fehlwarnrate bei diesen Fahrern ist auf eine zu spt erkannte Dejustage des
Videosensors und damit verbundene Abweichungen bei der Fahrspurdetektion zurckzufhren.
im Rahmen der Fahrsimulation (vgl. Tabelle 7.6). Die mittlere Hugkeit, mit der eine
Reaktion auf eine Fehlwarnung erfolgt ist, liegt mit 0,17 leicht ber dem entsprechenden
Wert der Studie 2 der Fahrsimulation (0,12).
Im Gegensatz zur Fahrsimulation ist jedoch, ber alle Fahrer gesehen, die Streuung des
Anteils der Bremsreaktionen an den Fehlwarnungen deutlich hher. Dabei liegt die Vermu-
tung nahe, dass einige Fahrer mit einem besonders niedrigen Reaktionsverhltnis R/FW
grundstzlich mit ihrer Bremsreaktion lnger abgewartet haben und dadurch besser in
der Lage waren, die Fehlwarnungen herauszultern. Es lsst sich jedoch kein Zusammen-
hang zwischen dem Verhltnis R/FW und der Reaktionszeit der Fahrer in Nutzenszenarien
herstellen.
Oensichtlich liegt die Ursache fr die Streuung vielmehr in einer Interaktion zwischen
den Fahrern, dem Versuchsdesign und dem System selbst, wie die Auswertung der oenen
Fragen aus den Fragebgen zeigt. Einige Fahrer gaben an, bei einer Warnung lediglich in
Bremsbereitschaft gegangen zu sein und mit der Reaktion abgewartet zu haben, bis sie
das Hindernis selbst erkannt hatten. Insbesondere die Experten, die sich im Rahmen ihrer
Ttigkeit mit der Entwicklung von sensornahen Algorithmen fr Fahrerassistenzsysteme
beschftigen, entwickelten nach eigenen Angaben mit der Zeit ein Gefhl dafr, Fehlwar-
nungen entweder anhand des dargestellten Musters oder anhand der Fahrsituation (z.B.
Kurvenfahrt mit metallischen Randobjekten) herauszultern.
Fahrer
analoges HMI
FW R R/FW
a
1 25 0 0,00
2 26 9 0,35
3 40 6 0,15
4 48 8 0,17
5 21 6 0,29
6 20 8 0,40
7 27 2 0,07
8 24 2 0,08
9 29 6 0,21
10 19 6 0,32
11 12 2 0,17
12 11 1 0,09
14 26 6 0,23
15 27 1 0,04
16 29 4 0,14
/ 384 67 0,17
Tabelle 8.2: Reaktionen auf Fehlwarnungen
a
Anzahl der Reaktionen dividiert durch Anzahl der Fehlwarnungen; hierfr ist zusammenfassend nicht
die Summe, sondern der Durchschnitt angegeben.
Zur Analyse der Unterscheidbarkeit von Fehlwarnungen und berechtigten Warnungen an-
hand der Warndauer zeigt der linke Bereich von Abbildung 8.3 Boxplots der bezogenen
Warndauer des analogen HMI, berechnet nach Gleichung 7.1, fr die Flle:
Fehlwarnungen, auf die keine Bremsreaktion erfolgt ist,
Fehlwarnungen, auf die eine Bremsreaktion erfolgt ist,
berechtigte Warnungen, auf die eine Bremsreaktion erfolgt ist.
Es zeigt sich, dass die im Rahmen der Fahrsimulationsstudien gefundene bezogene Warn-
dauer bis 0,5 s auch bei den Expertenevaluierungen einen Schwellenwert darstellt, bis zu
dem Fehlwarnungen in der Regel als solche erkannt und Reaktionen unterdrckt werden.
Insbesondere die bezogene Warndauer fr die Reaktionen auf die richtigen Warnungen
(RW) hebt sich mit einem Median von 1,33 s deutlich von dieser Grenze ab.
Bei dem in der mittleren Spalte von Abbildung 8.3 dargestellten Boxplot bendet sich
das untere Quartil im Bereich unterhalb 0,5 s, was bedeutet, dass in diesen Fllen eine
Bremsreaktion stattgefunden hat, obwohl die bezogene Warndauer sehr kurz war. Eine
Detailanalyse dieser Flle zeigt, dass die Reaktionen mehrheitlich auf Fehlwarnungen er-
folgt sind, die im Nahbereich angezeigt wurden. Da diese als stehende Objekte in Form
eines roten Kreuzes dargestellt wurden, war ihre Signalwirkung entsprechend hoch. Die-
se Darstellungsform naher Fehlwarnungen wurde von vielen Fahrern kritisiert und fhrte
dazu, dass die Anzeige der Objekte im Nahbereich und die Farbkodierung der Kritikalitt
von den Experten in Frage gestellt wurde.
Dass die Reaktion auf im Nahbereich angezeigte Fehlwarnungen in der Fahrsimulation
nicht in dem Mae beobachtet werden konnte wie im Rahmen der Expertenevaluierung,
liegt mglicherweise im unterschiedlichen Versuchsdesign begrndet. Die Hindernisse der
Fahrsimulation waren in der Regel im Nahbereich bereits im Lichtkegel der Fahrzeugschein-
werfer sichtbar, so dass die Probanden die Mglichkeit hatten, eine Warnung im Nahbereich
durch den Blick auf die Fahrbahn vor dem Fahrzeug zu besttigen. Die innerhalb der Exper-
tenevaluierung verwendeten Hindernisse waren dagegen auch im Nahbereich fr die meisten
Fahrer noch sehr schlecht sichtbar, was eine Besttigung oder eine Disqualizierung einer
Warnung durch den Fahrer deutlich erschwerte.
0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0
b
e
z
o
g
e
n
e

W
a
r
n
d
a
u
e
r

[
s
]
FW keine Reaktion
N = 317
FW Reaktion
N = 67
Warndauer und Bremsreaktionen
RW Reaktion
N = 282
0.5 1 1.5 2 2.5 3
0
0.2
0.4
0.6
0.8
1
H
u
f
i
g
k
e
i
t
Fehlwarnungen
Abbildung 8.3: Zusammenhang Warndauer und Bremsreaktion fr das analoge HMI (Zum
Boxplot s. Erluterung bei Abbildung 7.4 auf Seite 108.)
Der rechte Teil von Abbildung 8.3 zeigt ein Histogramm mit der Hugkeitsverteilung der
bezogenen Warndauern bei Fehlwarnungen. Ein Vergleich mit Abbildung 7.4 zeigt, dass die
hohe Trennschrfe der Fahrsimulationsstudien nicht ganz erreicht werden konnte; der Anteil
der Fehlwarnungen mit einer bezogenen Warndauer unterhalb von 0,5 s verringerte sich
auf 0,82 gegenber 0,91 bei der Studie 2 der Systemuntersuchung in der Fahrsimulation.
Dennoch wird der auf Basis der Fahrsimulationsergebnisse identizierte Mechanismus zur
Unterscheidung zwischen berechtigen Warnungen und Fehlwarnungen anhand der bezoge-
nen Warndauer besttigt. Zustzlich zeigt sich bei Fehlwarnungen auf nahe Objekte der
beschriebene negative Einuss der Anzeige der perspektivischen Hindernisentfernung und
der Darstellung der Kritikalitt ber die Farbe.
8.2.2 Reaktionen auf berechtigte Warnungen
Zur Untersuchung der Reaktionen auf die berechtigten Warnungen zeigt Abbildung 8.4
Boxplots der einzelnen Fahrer fr den prozentualen Geschwindigkeitsabbau v/v
0
in ei-
nem Abstand von 15 m vor einem Hindernis.
4
Zur Berechnung der dargestellten Statistik
wurden nur die Daten der Phasen 2 und 3 des Versuchs herangezogen, da die Phase 1 noch
als Eingewhnungsphase hinsichtlich der Versuchsbedingungen und der Warnausgaben an-
gesehen werden kann.
0 20 40 60 80 100
Fahrer 16, N = 18
Fahrer 15, N = 18
Fahrer 14, N = 17
Fahrer 12, N = 15
Fahrer 11, N = 18
Fahrer 10, N = 17
Fahrer 9, N = 17
Fahrer 8, N = 17
Fahrer 7, N = 18
Fahrer 6, N = 18
Fahrer 5, N = 17
Fahrer 4, N = 18
Fahrer 3, N = 14
Fahrer 2, N = 16
Fahrer 1, N = 18
v / v
0
[%]
Abbildung 8.4: Prozentualer Geschwindigkeitsabbau 15 m vor dem Hindernis fr die Pha-
sen 2 und 3, aufgeschlsselt nach Fahrern
Die Schwankungen zwischen den einzelnen Probanden fallen weniger deutlich aus als bei der
Fahrsimulation (vgl. Abbildung 7.6), verwundern aber dennoch, da einerseits das Proban-
denkollektiv hinsichtlich der Technikanitt eine homogenere Zusammensetzung als in der
Fahrsimulation besa, wodurch Wechselwirkungen zwischen System und Fahrer minimiert
wurden und andererseits die Variation der Hindernisarten und -positionen im Gegensatz
zur Fahrsimulation wesentlich geringer war.
Die Berechnung einer Varianzanalyse mit dem Faktor Fahrer zeigt, dass ein signikan-
ter Unterschied mit einer Irrtumswahrscheinlichkeit von 0,05 zwischen dem prozentualen
Geschwindigkeitsabbau fr Fahrer 8 und neun anderen Fahrern zu Gunsten von Fahrer 8
4
Zur Denition des prozentualen Geschwindigkeitsabbaus siehe Kapitel 7.5.2.
(hherer Geschwindigkeitsabbau) besteht. Die Probanden 2, 3, 4 und 7 haben, im Vergleich
zu den brigen Fahrern berdurchschnittlich schlechte Werte hinsichtlich v/v
0
erzielt;
teilweise sind auch hier die Unterschiede signikant auf dem 5 %-Niveau.
Zur weiteren Analyse des Reaktionsverhaltens zeigt Abbildung 8.5 Boxplots der Brems-
reaktionszeiten einzelner Fahrer und des prozentualen Geschwindigkeitsabbaus 0,5 s nach
dem Beginn der Bremsreaktion. Je grer letzterer ausfllt, umso heftiger muss der Be-
ginn der Bremsreaktion selbst gewesen sein. Als Bremsreaktionszeit wurde die Zeitspanne
zwischen dem berschreiten eines Grauwerts von 100 bei der Warnungsausgabe und der
ersten Bremspedalbettigung gemessen.
5
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0
Fahrer 16, N = 18
Fahrer 15, N = 18
Fahrer 14, N = 17
Fahrer 12, N = 15
Fahrer 11, N = 18
Fahrer 10, N = 18
Fahrer 9, N = 17
Fahrer 8, N = 18
Fahrer 7, N = 18
Fahrer 6, N = 18
Fahrer 5, N = 17
Fahrer 4, N = 18
Fahrer 3, N = 14
Fahrer 2, N = 16
Fahrer 1, N = 18
Reaktionszeit [s]
Bremsreaktionszeit
0 2 4 6 8 10 12 14 16 18
Fahrer 16, N = 18
Fahrer 15, N = 18
Fahrer 14, N = 17
Fahrer 12, N = 15
Fahrer 11, N = 18
Fahrer 10, N = 17
Fahrer 9, N = 17
Fahrer 8, N = 17
Fahrer 7, N = 18
Fahrer 6, N = 18
Fahrer 5, N = 17
Fahrer 4, N = 18
Fahrer 3, N = 14
Fahrer 2, N = 16
Fahrer 1, N = 18
v(t) / v
0
[%], t = 0,5 s nach Bremsbeginn
prozentualer Geschwindigkeitsabbau
Abbildung 8.5: Bremsreaktionszeit und prozentualer Geschwindigkeitsabbau 0,5 s nach der
Bremsreaktion fr die Phasen 2 und 3, aufgeschlsselt nach Fahrern
Anscheinend ergibt sich das mehr oder weniger gute Abschneiden eines Probanden hin-
sichtlich der abgebauten Geschwindigkeit (Abbildung 8.4) aus der Kombination von Reak-
tionszeit (Abbildung 8.5, links) und Heftigkeit der Bremsreaktion (Abbildung 8.5, rechts).
Dementsprechend zeigt Fahrer 8 eine auerordentlich kurze Reaktionszeit mit einer durch-
schnittlich heftigen Bremsreaktion, was zu einem insgesamt hohen Geschwindigkeitsab-
bau fhrt. Fahrer 10 liegt zwar hinsichtlich der Reaktionszeit auf hnlichem Niveau wie
Proband 8, reagiert jedoch weniger stark, so dass der Geschwindigkeitsabbau schwcher
ausfllt.
Whrend die Varianz bei der Heftigkeit der Bremsreaktionen auf Unterschiede zwischen
den Probanden schlieen lsst, knnen die Unterschiede der Reaktionszeiten mit den Fehl-
warnungen in Verbindung gebracht werden. Einige Fahrer gaben whrend der Versuche an,
aufgrund der erlebten Fehlwarnungen eine lngere Reaktionszeit entwickelt zu haben.
Zur Verdeutlichung des Eekts, den die erlebten Fehlwarnungen auf das Reaktionsverhal-
ten haben, lsst sich die Studie in zwei Teile gliedern. Der erste Teil besteht aus Phase 1
(erster Eindruck) und Phase 2 (Geschwindigkeitslimit 80 km/h). Der zweite Teil besteht
5
Der Schwellenwert 100 fr den Grauwert der Warnung wurde aus der Analyse der Fahrsimulationsda-
ten, Kapitel 7.5.2, bernommen.
aus Phase 3 (Geschwindigkeitslimit 100 km/h). Als Arbeitshypothese wird davon ausge-
gangen, dass mit zunehmender Intensitt der Fehlwarnungen im ersten Teil der Studie die
Reaktionszeit auf berechtigte Warnungen im zweiten Studienteil verlngert wurde.
Hierzu zeigt Tabelle 8.3 fr alle Probanden eine Gegenberstellung der kumulierten bezo-
genen Warndauer, des oberen Quartils der Bremsreaktionszeiten aus Abbildung 8.5 und
der Anzahl der Fehlwarnungen. Die Tabellenzeilen sind entsprechend einer steigenden be-
zogenen Fehlwarnungsdauer sortiert. Um die Fokussierung der Auswertung auf deutlichere
Fehlwarnungen zu verstrken, wurden fr die Zusammenstellung in Tabelle 8.3 nur sol-
che Fehlwarnungen verwendet, deren minimaler Grauwert > 100 war. Die Berechnung des
Korrelationskoezenten fr die Spalten bezogene Warndauer und oberes Quartil der
Bremsreaktionszeit zeigt, dass die Werte sehr stark miteinander korrelieren ( = 0,84, die
Korrelation ist auf dem 1 %-Niveau signikant
6
).
bezogene Dauer FW
Phase 1 + 2
oberes Quartil
Reaktionszeit Phase 3
Fehlwarnungen
Phase 1 + 2
Fahrer
1,22 1,44 4 5
1,25 1,69 5 15
1,47 1,40 4 12
2,38 1,50 4 6
2,48 1,34 5 8
2,51 1,90 5 14
3,54 1,30 5 10
3,76 1,62 4 11
4,27 2,15 10 9
5,00 2,48 7 7
5,57 2,75 14 3
5,65 2,20 11 16
6,07 2,30 9 1
6,16 2,00 9 2
9,35 3,02 15 4
Tabelle 8.3: Kumulierte bezogene Fehlwarnungsdauer in Phase 1 und 2 sowie Bremsreak-
tionszeit in Phase 3, aufgeschlsselt nach Fahrern
Auerdem lsst sich die Fahrerpopulation anhand der kumulierten bezogenen Fehlwar-
nungsdauer aus Tabelle 8.3 in zwei Gruppen unterteilen, die sich deutlich in ihrer Brems-
reaktionszeit whrend Phase 3 unterscheiden. Das Ergebnis dieser Gruppierung ist in Ab-
bildung 8.6 dargestellt. Gruppe 1 mit einer niedrigen Bremsreaktionszeit wurde aus den
im oberen Teil von Tabelle 8.3 vertretenen Fahrern, bis einschlielich Fahrer 11, gebildet.
Fr diese Fahrer lag die Summe der bezogenen Dauer aller Fehlwarnungen in Phase 1 und
2 unterhalb von 4 s.
Die zweite Gruppe wurde aus dem unteren Teil von Tabelle 8.3 zusammengestellt; die-
se Probanden hatten Fehlwarnungen mit einer kumulierten bezogenen Dauer zwischen 4
und 10 s erlebt. Das Ergebnis einer Varianzanalyse zeigt einen hochsignikanten Unter-
schied in der Bremsreaktionszeit zwischen den beiden Gruppen (p < 0,01); der Median der
Bremsreaktionszeit steigt von 1,3 s fr Gruppe 1 auf 1,8 s fr Gruppe 2 an.
6
Die Irrtumswahrscheinlichkeit wurde fr den Signikanztest mit einem beidseitigen t-Test berechnet.
1 2
0
0.5
1
1.5
2
2.5
3
3.5
4
B
r
e
m
s
r
e
a
k
t
i
o
n
s
z
e
i
t

[
s
]
Gruppe der Fahrerpopulation
Abbildung 8.6: Vergleich der Bremsreaktionszeiten bei Bildung von zwei Gruppen anhand
der kumulierten bezogenen Fehlwarndauer
Der Vergleich der Daten in Abbildung 8.6 deutet darauf hin, dass Werte von mehr als
4 s fr die Summe der bezogenen Fehlwarnungsdauer dazu fhren, dass die Fahrer bei
einer angezeigten Warnung zunchst von einer Fehlwarnung ausgehen und lnger brau-
chen, um diese Hypothese zu verwerfen und auf die Warnung zu reagieren. Die 4 s stellen
also zumindest im Rahmen der Expertenevaluierung einen kritischen Grenzwert fr
die Akzeptanz des warnenden Nachtsichtsystems dar. Dieses Ergebnis lsst sich auch als
nachgewiesene Anforderung an das warnende Nachtsichtsystem formulieren: Die kumulier-
te bezogene Fehlwarnungsdauer darf innerhalb eines Zeitabschnitts von 45 min (Dauer der
Phasen 1+2) einen Wert von 4 s nicht berschreiten, da sonst die Reaktionszeit der Fahrer
auf berechtigte Warnungen deutlich zunimmt.
Ohne Zweifel wird mit den innerhalb der Phasen 2 und 3 den Fahrern dargebotenen Hin-
dernisszenarien eine knstliche Testsituation erzeugt, die zustzlich von Wiederholungen
geprgt ist. Daher kann nicht ausgeschlossen werden, dass der Lerneekt eine gewisse Rol-
le bei der Reaktion auf die Hindernisse gespielt hat. Neben dem Verstndnis, auf welchen
Teilen des Parcours Fehlwarnungen wahrscheinlich waren, besaen die Probanden eine
bestimmte Erwartungshaltung zur Anwesenheit von Hindernissen, die sich allgemein be-
gnstigend auf die Reaktionszeit ausgewirkt hat. Dies wurde von einigen Experten auch
im Rahmen der nachtrglich durchgefhrten Interviews angegeben.
Um losgelst von einer bestimmten Erwartungshaltung Anhaltswerte dafr zu erhalten,
wie gut die Reaktion auf eine unerwartete berechtigte Warnung ist, wurde im Rahmen
der Phase 4 eine Testfahrt auf oener Strae durchgefhrt, die zweimal durch den zuvor
befahrenen Testparcours fhrte. Bei der zweiten Durchfahrt wurden die Probanden erneut
mit einer berechtigten Warnung auf ein stehendes Hindernis konfrontiert.
Zum Vergleich aller drei Phasen zeigt Abbildung 8.7 die Boxplots des prozentualen Ge-
schwindigkeitsabbaus bei einer Hindernisentfernung von 15 m fr die Fahrer der Gruppe 1
nach Abbildung 8.6 und Tabelle 8.3. Die Probanden zeigen in Verbindung mit dem Warn-
system sehr gute Reaktionen in Phase 2 (Median: 68 %) und in Phase 3 (Median: 59 %),
die vergleichbar mit den Ergebnissen der Fahrsimulation sind (vgl. Abbildung 7.7).
Die Verschlechterung des prozentualen Geschwindigkeitsabbaus in Phase 3 gegenber Pha-
se 2 lsst sich mit der begrenzten Systemreichweite begrnden. Aufgrund der im System
hinterlegten Vorwarnzeit von 4 s auf stehende Hindernisse htte beim Anstieg der Ge-
schwindigkeit von 80 km/h auf 100 km/h die Warnung etwa 22 m frher ausgegeben wer-
Phase 2, N = 70 Phase 3, N = 67 Phase 4, N = 8
0
20
40
60
80
100

v

/

v
0

[
%
]
Abbildung 8.7: Prozentualer Geschwindigkeitsabbau 15 m vor dem Hindernis fr die Pha-
sen 2, 3 und 4 der Fahrer aus Gruppe 1
den sollen. Tatschlich zeigt die in Tabelle 8.4 dargestellte Auswertung der Entfernungen,
bei denen die Warnung einen Grauwert 100 erreicht, dass der Anstieg, bedingt durch die
begrenzte Reichweite der Spur- und Objektdetektion, im Mittel lediglich etwa 9 m betrgt.
Da sich die Bremsreaktionszeit nur um 0,15 s verringert, ergibt sich die in Abbildung 8.7
sichtbare nderung im Geschwindigkeitsabbau.
Messzeitraum
Distanz bei Warnbeginn [m]
a
Bremsreaktionszeit [s]
b
Mittelwert Std.abweichung Mittelwert Std.abweichung
Phase 2 83,46 6,38 1,42 0,41
Phase 3 92,20 10,97 1,27 0,51
Phase 4 85,00 13,02 1,43 0,54
Tabelle 8.4: Mittelwerte und Standardabweichungen fr die Entfernung zum Hindernis bei
Warnbeginn sowie fr die Bremsreaktionszeiten der Fahrer aus Gruppe 1, aufgeschlsselt
nach Phasen
a
Die Distanz wurde bei dem Zeitpunkt gemessen, bei dem der im HMI dargestellte Grauwert 100
wurde.
b
Die Bremsreaktionszeit wurde zwischen Warnbeginn und dem berschreiten eines Drucks von 2 bar
im Hauptbremszylinder gemessen.
Der Geschwindigkeitsabbau bei den Reaktionen auf die unerwartete Warnung in Phase 4
fllt deutlich schlechter aus als die Reaktionen in den vorangehenden Versuchsabschnitten.
Der Median sinkt in Phase 4 auf etwa 38 % abgebaute Geschwindigkeit. Allerdings zeigen
die Werte in Tabelle 8.4, dass dies nicht an einer Verschlechterung der Bremsreaktionszeit
liegt; der Mittelwert und die Standardabweichung liegen nahe am Niveau von Phase 2 und
3. Vielmehr ist die geringe Systemreichweite in Verbindung mit einer hohen Geschwindig-
keit die Ursache. Teilweise erfolgten die Warnungen auf den Quader in Phase 4 erst bei
einer Entfernung von 70 m, die gefahrenen Geschwindigkeiten lagen jedoch mehrheitlich
im Bereich 90100 km/h.
Trotz des signikanten Unterschieds (p < 0,05) zwischen der Phase 4 und den Phasen 2
und 3 in Abbildung 8.7 ist die erzielte Geschwindigkeitsreduktion bemerkenswert, wenn
man bedenkt, dass die Geschwindigkeit v quadratisch in die kinetische Energie eingeht, die
bei einem Aufprall vom eigenen Fahrzeug und von einem stehenden Kollisionspartner zu
absorbieren wre. Anhand dieses Zusammenhangs lsst sich leicht abschtzen, dass eine um
40 % verringerte Aufprallgeschwindigkeit bereits zu einer Reduktion der Aufprallenergie
um 64 % fhrt. Dadurch lsst sich auch fr den Fall, dass eine Kollision unvermeidbar ist,
eine deutliche Reduktion der Unfallfolgen fr die Fahrzeuginsassen erzielen.
8.3 Ergebnisse der subjektiven Daten
8.3.1 Ergebnisse der Beanspruchungsmessung
Die Beanspruchungsmessungen nach dem NASA-TLX-Verfahren wurden fr die in Tabel-
le 7.4 angegebenen Kategorien jeweils nach der Phase 2 (80 km/h) und nach der Phase 3
(100 km/h) durchgefhrt. Das Ausfllen des Paarvergleichs zur Gewichtung einzelner Ka-
tegorien erfolgte nach Phase 4 (freie Fahrt).
7
Insgesamt ergibt sich hinsichtlich der Beanspruchungen ein homogenes Bild. Ein Zusam-
menhang der Beanspruchung mit der Hugkeit der Fehlwarnungen lsst sich lediglich fr
Fahrer 4 herstellen, der nach Phase 3 eine gegenber dem Mittelwert deutlich erhhte
Beanspruchung aufweist.
In Tabelle 8.5 sind zum Vergleich der gewichteten Summe aller Beanspruchungskategorien
des NASA-TLX die Mittelwerte mit den zugehrigen Standardabweichungen der Fahrsi-
mulatorstudien und der Phasen 2 und 3 der Expertenevaluierung dargestellt.
Berechnet fr Mittelwert [-]
a
Standardabweichung [-]
Fahr-
simulation
Studie 1 64,33 13,63
Studie 2
b
59,22 16,79
Experten-
evaluierung
Phase 2 46,50 13,14
Phase 3 47,74 18,50
Tabelle 8.5: Mittelwerte und Standardabweichungen fr die gewichtete Summe aller Be-
anspruchungskategorien des NASA-TLX, zusammengefasst fr die mit dem analogen HMI
durchgefhrten Untersuchungen
a
Die gewichtete Summe aller Beanspruchungskategorien kann nach den Vorgaben des NASA-TLX in
[31] maximal den Wert 100 annehmen.
b
Die Auswertung erfolgte ohne die Fahrerin BISC09 (siehe Kapitel 7.6.1).
Die Mittelwerte der Fahrsimulation liegen leicht ber denen der Expertenevaluierung bei
einer etwa gleich groen Standardabweichung. Ein Vergleich der ungewichteten Wertungen
fr die einzelnen Beanspruchungskategorien zeigt, dass deutliche Abweichungen zwischen
Fahrsimulation und Expertenevaluierung vor allem in den folgenden drei Kategorien auf-
treten:
Hugkeit der Hindernisse,
Einschtzung gefhrlicher Fahrsituationen und
Gesamtfahrleistung.
7
Der Paarvergleich konnte aus Zeitgrnden von drei Probanden nicht ausgefllt werden, weshalb auch
die gewichtete Summe aller Beanspruchungskategorien nur fr 13 Fahrer ermittelt wurde.
Alle drei Beanspruchungskategorien beziehen sich abgesehen vom Zusammenspiel mit
dem HMI auch auf die Interaktion zwischen Fahrer und Szenengestaltung. Der Haupt-
grund fr die Abweichungen der Mittelwerte zwischen Fahrsimulation und Expertenevalu-
ierung drfte daher in der vernderten Versuchssituation liegen. Innerhalb der Fahrsimula-
tion wurden die Fahrer mit einer deutlich greren Bandbreite von Szenarien konfrontiert,
in denen das warnende Nachtsichtsystem (aufgrund von spten Warnungen) mal mehr
und mal weniger hilfreich war. Durch die grere Vielfalt mglicher Szenarien war die
Einschtzung gefhrlicher Fahrsituationen in der Fahrsimulation schwieriger. Die Bean-
spruchung durch die Hugkeit der Hindernisse war bezogen auf die Versuchsdauer in
der Fahrsimulation hher als im Feldversuch; hier liegt also eine realistische Einschtzung
der Probanden vor.
Eine rechtzeitige Erkennung der Hindernisse war im Feldversuch ohne vorherige Warnung
uerst schwierig. Daher fhrte, wie aus den Angaben der Experten bei den Befragun-
gen hervorgeht, die Schwierigkeit der Kollisionsvermeidung zu einer berdurchschnittlich
hohen Bewertung der eigenen Gesamtfahrleistung. Nach der Phase 2 wurde diese Bean-
spruchungskategorie mit einem Mittelwert von 5,69 trotz hoher Varianz signikant besser
bewertet als nach der Phase 3 (Mittelwert 7,38).
8
Der Unterschied in der subjektiven Bewer-
tung der einzelnen Phasen ist auf Basis des erzielten prozentualen Geschwindigkeitsabbaus
(vgl. Abbildung 8.7) nachvollziehbar.
Die Kategorie Gleichzeitige Wahrnehmung von Umwelt und Display wurde vergleichbar
mit Studie 2 der Fahrsimulation in Phase 2 und 3 jeweils auf niedrigem Niveau mit einem
ungewichteten Median des Beanspruchungswerts von 5,5 bewertet. In diesem Zusammen-
hang spielt die periphere Wahrnehmbarkeit der Warnung eine wichtige Rolle, die von den
Probanden ausnahmslos als sehr gut bewertet wurde.
Im deutlichen Unterschied zur Fahrsimulation steht die Einordnung der zur Spurhaltung
erforderlichen Aufmerksamkeit. Fr diese Kategorie liegen die ungewichteten Medianwer-
te der Fahrsimulation im Bereich 912. Im Rahmen der Expertenevaluierung betrgt der
Median in Phase 3 lediglich 3. Oensichtlich ist es im Fahrsimulator wesentlich beanspru-
chender als in der Realitt, das Fahrzeug in der Spur zu halten. Neben der simulierten
visuellen Darstellung drfte der Hauptgrund hierfr in dem mangelnden kinsthetischen
Feedback liegen, das der Fahrsimulator bietet. Entsprechende Untersuchungen in [53] und
[13] belegen dies.
Die erforderliche Aufmerksamkeit zur Spurhaltung liegt bei der Expertenevaluierung im
Median in Phase 2 um einen Punkt niedriger als in Phase 3, dennoch ist der Unterschied
hochsignikant (p < 0,01). Hierin zeigt sich der Einuss des Geschwindigkeitsunterschieds
von 20 km/h bei nchtlichen Sichtverhltnissen auf einer Landstrae.
8.3.2 Ergebnisse der kombinierten Messung von Situation Awa-
reness und Gebrauchstauglichkeit
Das in Kapitel 7.4 fr die Fahrsimulation dargestellte Untersuchungskonzept zur Mes-
sung der Situation Awareness und Gebrauchstauglichkeit des Warnsystems wurde auch
im Rahmen der Expertenevaluierung angewendet. In Tabelle 8.6 sind die entsprechenden
Ergebnisse fr die Befragungen nach der Phase 3 angegeben. Signikante Unterschiede zu
den Befragungsergebnissen nach Phase 2 existieren nicht.
8
Dies ist das Ergebnis einer Varianzanalyse, p < 0,05.
Wahrnehmung 4,0 4,3 3,5
Verstndnis 3,4 3,4 k.A.
a
Reaktion 4,4 3,7 3,3
Tabelle 8.6: Mittelwerte der Fragebogenwertungen zur Situation Awareness und zur Ge-
brauchstauglichkeit nach Phase 3
a
k.A.: keine Angabe. Hierzu liegen lediglich Aussagen in Textform vor.
Die deutlichsten Unterschiede zu den beiden Studien in der Fahrsimulation ergeben sich
in den Bereichen Eektivitt der Reaktion
9
und Ezienz des Verstndnisses
10
. Wh-
rend die Eektivitt der Reaktion im Rahmen der Expertenevaluierung wesentlich besser
bewertet wurde, liegt die Ezienz des Verstndnisses deutlich unter den Werten der Fahr-
simulation.
Die bessere Bewertung der Eektivitt der Reaktion in der Expertenevaluierung lsst sich
auf die in Kapitel 8.3.1 dargestellten Unterschiede in der Szenengestaltung zwischen Fahr-
simulation und Fahrversuch und das damit verbundene unterschiedliche Erleben des Sys-
temnutzens zurckfhren.
Das schlechte Abschneiden des HMI bei der Ezienz des Verstndnisses kann anhand der
qualitativen Angaben der Experten in den Fragebgen nachvollzogen werden. Auf die Fra-
ge, welche Informationen in der Warnungsdarstellung gefehlt und welche Informationen
gestrt haben, antworteten die meisten Fahrer, dass die Anzeige im Nahbereich gerin-
gen Zusatznutzen brachte, da eine Reaktion auf ein Hindernis in der geringen Distanz
bei den gefahrenen Geschwindigkeiten nicht mehr mglich gewesen wre. Da nicht nur
stehende Hindernisse, sondern auch Fehlwarnungen auf stehende Randobjekte mit einem
perspektivisch groen Kreuz dargestellt wurden, empfanden die Probanden die Anzeige im
Nahbereich eher als strend.
Zustzlich wurde Kritik an der Farbcodierung bei der Warnung auf Hindernisse in geringer
Entfernung geuert. Die Fahrer htten mehrheitlich auch im Nahbereich eine Fortsetzung
der im Fernbereich dargestellten weien, sich annhernden Balken bevorzugt. Dies liegt
auch daran, dass die Darstellung der lateralen Hindernisposition im Nahbereich von den
Fahrern in der Warnsituation kaum wahrgenommen wurde, sondern der Eekt des sich
annhernden Flussmusters der dominierende Faktor bei der Reaktion auf das Hindernis
war.
In der Kategorie Ezienz der Reaktion hat das analoge HMI etwas bessere Werte erzielt
als in der Fahrsimulation. Dies ergibt sich vor allem aus einer deutlich hheren Zustimmung
der Probanden zur Aussage Ich habe intuitiv auf das System reagiert..
Die Wertungen der Spalte Zufriedenheit liegen auf dem Niveau der Studie 1 im Fahrsimu-
lator, weisen jedoch jeweils eine hohe Streuung auf.
11
Wie die Analyse einzelner Fragebgen
zeigt, spielt bei der Bewertung der Zufriedenheit die Anzahl und die kumulierte Dauer der
Fehlwarnungen eine wichtige Rolle. Fahrer, die ein vergleichsweise hohes Ma an Fehlwar-
9
Wertung fr Studie 1 der Fahrsimulation: 3,8; fr Studie 2: 3,9.
10
Wertung fr Studie 1 der Fahrsimulation: 4,1; fr Studie 2: 3,9.
11
Die Standardabweichung betrgt fr den Bereich Zufriedenheit mit der Wahrnehmung 0,83 und in
der Kategorie Zufriedenheit mit der Reaktion 1,11. Dies sind ber alle Bereiche gesehen die hchsten
Werte.
nungen erlebten, bewerten den Bereich Zufriedenheit kritischer als die Probanden, die
kaum zwischen richtigen und falschen Warnungen unterscheiden mussten.
8.3.3 Systembewertung auf Basis der Fehlwarnungen
Das Verstndnis der Mechanismen, die zu Fehlwarnungen fhren
12
zeigten vor allem die-
jenigen Fahrer, die sich in ihrem Arbeitsgebiet mit Sensorik und mit der entsprechenden
Datenverarbeitung fr Fahrerassistenzsysteme beschftigen. Diesen Fahrern gelang es auch
besser, trotz einer hohen Fehlwarnrate nur wenig auf die Fehlwarnungen zu reagieren und
eine niedrige Reaktionszeit auf berechtigte Warnungen aufrecht zu erhalten.
Dennoch wurden die Fehlwarnungen insbesondere bei der Gruppe 2 der Probanden, die
laut Tabelle 8.3 eine erhhte Summe der bezogenen Warndauer erfahren hatten, als st-
rend eingestuft. Dies lsst sich auch auf die im Vergleich zur Fahrsimulation reduzierte
Systemreichweite zurckfhren, die den Fahrern weniger Zeit fr die Reaktionen auf die
berechtigten Warnungen lie.
In der Fahrsimulation hatte sich gezeigt, dass die Fahrer in der Regel den Verlauf einer
Warnung ber einen gewissen Zeitraum beobachten und dann erst eine Reaktion ausfhren
(vgl. Kapitel 7.5.2). Dieser Mechanismus wird auch durch die Experten besttigt. So gibt
Fahrer 8 an, dass das Vertrauen in die Warnung durch eine whrend der Annherung
an das Hindernis permanent dargestellte Warnung geschaen wurde, deren Flussmuster
zu der Annherung an ein stehendes Hindernis passt. Dieser Mechanismus wurde in den
Interviews von weiteren Fahrern besttigt. Allerdings bemngeln die Probanden 2 und 3
den geringen Zeitraum, der zur Plausibilisierung einer Warnung anhand des genannten
Mechanismus zur Verfgung stand.
Die Fehlwarnungen im Nahbereich stellten fr alle Fahrer ein Problem dar, wenn es darum
ging, diese als nicht relevant auszusortieren. Wie bereits erlutert, lag dies an der roten
Farbgebung aufgrund der Kritikalitt sowie an der vergleichsweise groen Anzeige eines
Kreuzes aufgrund der perspektivischen Darstellung. Dadurch wurde nach Aussage einiger
Fahrer auch der Mechanismus ausgehebelt, bei dem eine Reihe von Fehlwarnungen einfach
dadurch ignoriert werden, dass sie die Wahrnehmungsschwelle nicht berschreiten.
8.3.4 Systembewertung auf Basis der berechtigten Warnungen
Nach jeder Fahrt durch die Teststrecke wurden die Fahrer gebeten, die Gefhrlichkeit der
erlebten Hindernissituationen und die Qualitt ihrer Reaktion auf einer Skala einzuordnen.
Die Beantwortung dieser Fragen zeigt grundstzlich die gleiche Korrelation, die bereits bei
der Fahrsimulation deutlich wurde: je gefhrlicher eine Situation nach Einschtzung der
Fahrer war, desto besser bewerten sie die Qualitt ihrer Reaktion.
Die Probanden schtzen ihre Reaktion in der Phase 1 (erster Eindruck) signikant schlech-
ter ein als in der Phase 2 (80 km/h). Dies zeigt, dass sich im Verlauf des Versuchs ein Lern-
eekt einstellt, durch den die Probanden in ihrer Reaktion nach eigener Meinung immer
besser werden. Allerdings ist der Lerneekt nicht deutlich genug, um die laut Probanden
12
Fehlwarnungen wurden wie in der Fahrsimulation hug durch Abweichungen der Kursprdiktion
in Verbindung mit einzelnen, gut detektierbaren, Randobjekten hervorgerufen.
8.4 Zusammenfassung und Diskussion der Ergebnisse 141
zu geringe Systemreichweite fr die Fahrt mit 100 km/h auszugleichen. Die subjekti-
ve Einschtzung, wie gut die Probanden die Situationen whrend Phase 3 (100 km/h)
gemeistert haben, ist daher signikant schlechter als bei Phase 2.
Die Fahrer gaben mehrheitlich an, sich bei der Reaktion auf eine Warnung nicht an der
perspektivisch dargestellten Entfernung orientiert zu haben, sondern eher an der peripheren
Wahrnehmung einer wachsenden weien Flche. Aus diesem Grund wurde von einigen
Fahrern auch die knstliche Darstellung des Fahrbahnrandes im analogen HMI in Frage
gestellt.
Die periphere Wahrnehmbarkeit der Warnungen schtzen alle Fahrer als sehr gut ein, wo-
durch die Ergebnisse der Fahrsimulation besttigt werden. Oenbar fhrt die periphere
Wahrnehmung auch zu einer geringen Ablenkung von der Fahrbahn. Dies wird darin deut-
lich, dass die Probanden bei einer Warnung nach eigenen Angaben in Bremsbereitschaft
gegangen sind und die Fahrbahn nach einem Hindernis abgesucht haben.
In den Kurvenbereichen der Versuchsstrecke wurde mehrfach bemngelt, dass das Head-Up
Display beim Blick in die Kurve nicht mehr vollstndig wahrgenommen werden konnte, da
der im HUD dargestellte Blickwinkel fr derartige Fahrsituationen zu klein war. Entspre-
chende Anmerkungen gab es im Rahmen der Fahrsimulation nicht.
8.4 Zusammenfassung und Diskussion der Ergebnisse
Die im Rahmen der Fahrsimulation herausgestellte Filterwirkung des analogen HMI fr
Fehlwarnungen konnte im Feldversuch besttigt werden. Auerdem zeigt sich ein ausge-
prgter Zusammenhang zwischen der kumulierten Dauer der Fehlwarnungsdarstellung und
der Bremsreaktionszeit auf berechtigte Warnungen.
Grundstzlich knnen unter Einbeziehung der Ergebnisse aus der Fahrsimulation zwei Me-
chanismen bei der Filterung der Fehlwarnungen durch den Fahrer unterschieden werden.
Eine erste Filterung erfolgt aufgrund der Wahrnehmungsschwelle der Fahrer. Kurz und mit
niedrigem Grauwert dargestellte Warnungen werden nicht bewusst wahrgenommen. Wird
eine Warnung so deutlich angezeigt, dass der Fahrer sie peripher wahrnimmt, durchluft
sie aufgrund der Erfahrungswerte des Fahrers mit dem System eine zweite Prfung, bei
der abgewartet wird, ob der Warnungsverlauf unterbrechungsfrei und entsprechend einer
Annherung an ein (stehendes) Objekt erfolgt.
Auch wenn beide Filterinstanzen des Fahrers erfolgreich passiert wurden, erfolgt eine Re-
aktion in aller Regel nicht direkt, sondern der Fahrer geht vom Fahrpedal und macht sich
bereit fr eine Bremsreaktion, whrend er auf der Fahrbahn nach einem Hindernis sucht.
Fehlwarnungen, so zeigt sich, fhren beim analogen HMI hauptschlich zu einer Verlnge-
rung der Reaktionszeit, aber nicht dazu, dass der Fahrer das System grundstzlich ignoriert.
Obwohl die Systemreichweite im Fahrversuch nach Meinung der Probanden fr Geschwin-
digkeiten oberhalb von 80 km/h nicht mehr ausreichend war, lieen sich auch bei den Fahr-
ten mit 100 km/h aufgrund der Warnung deutliche Geschwindigkeitsreduktionen erzielen,
die zu einer erfolgreichen Kollisionsvermeidung teilweise sogar ohne Ausweichmanver
fhrten. Auch bei einem nicht mehr vermeidbaren Unfall knnen auf diese Weise die
Unfallfolgen erheblich gemindert werden.
Insbesondere im Zusammenhang mit der Warnung auf stehende Hindernisse zeigt sich bei
einer grundstzlich guten peripheren Wahrnehmbarkeit des analogen HMI Verbesserungs-
potenzial fr die Warnungsdarstellung im Nahbereich. Die von einigen Experten geuerten
Vorschlge zur Vereinfachung der Warnungsdarstellung, z.B. das Weglassen einer lateralen
Positionsangabe im Nahbereich, mssen in weiteren Untersuchungen vor dem Hintergrund
der Erlernbarkeit der Displaydarstellung im Alltag berprft werden.
Entsprechend uerten sich auch die Experten, von denen die Erlernbarkeit der System-
ausgaben grundstzlich als gut bewertet wurde. In diesem Zusammenhang ist auch die
mehrfach genannte, schnelle Unterscheidbarkeit zwischen Fehlwarnungen und berechtigten
Warnungen zu sehen. Im Vergleich zur Versuchssituation, bei der in kurzer Zeit viele stehen-
de Hindernisse prsentiert wurden, knnte die Erlernbarkeit des warnenden Nachtsichtsys-
tems im Alltag nach Ansicht vieler Probanden mangels kritischer Situationen erschwert
werden.
Die aufgrund der perspektivisch groen Darstellung der Objektposition hug beanstan-
deten Fehlwarnungen im Nahbereich lassen sich mglicherweise dadurch beheben, dass
Hindernisse im Nahbereich nur dann angezeigt werden, wenn sie bereits in grerer Ent-
fernung zur Darstellung im HMI ausgewhlt wurden.
Anhand der Ergebnisse des Feldversuchs wird deutlich, dass es gelungen ist, ein wesentliches
Ziel der Systementwicklung umzusetzen, nmlich die bermittlung von Systemsicherhei-
ten an den Fahrer, um ihm eine bessere Interpretation der (mglicherweise fehlerhaften)
Systemausgaben zu ermglichen. Ein wesentlicher Anteil an diesem Ergebnis ist der Sys-
temkomponente HMI sowie der Umfeldinterpretation mit dem Mechanismus der Spurplau-
sibilisierung zuzuschreiben. Die Kombination aus HMI und Spurplausibilisierung macht es
mglich, Unsicherheiten bei der Spurzuordnung zusammen mit der Warnung darzustellen,
so dass der Fahrer diese nachweislich in seine Entscheidung ber eine Reaktion mit einbe-
zieht. Zustzlich wurde mit dem analogen HMI eine Darstellungsform gefunden, die sehr
gut peripher wahrnehmbar ist und zu einer geringen visuellen Zusatzbeanspruchung des
Fahrers fhrt.
Kapitel 9
Zusammenfassung und Ausblick
Trotz signikanter Fortschritte bei der Entwicklung leistungsfhiger und gleichzeitig blend-
armer Scheinwerfer fr Kraftfahrzeuge sind die Wahrscheinlichkeit und die Schwere von
Nachtunfllen in der Vergangenheit kaum gesunken. Bei der Entwicklung warnender Fah-
rerassistenzsysteme, die sich dieser Thematik annehmen und den Fahrer auf stehende
und bewegte Hindernisse aufmerksam machen, ist immer eine systemspezische Kosten-
Nutzen-Funktion zu bercksichtigen. Der Nutzen manifestiert sich in einer frhen und
zuverlssigen Warnung des Fahrers. Die Kosten ergeben sich aus der Beanspruchung des
Fahrers durch das System sowie aus dem Strpotenzial von Fehlwarnungen und einer damit
verbundenen reduzierten Akzeptanz des Systems durch den Fahrer.
Abbildung 9.1: Beispiel fr eine Kosten-Nutzen-Funktion eines warnenden Fahrerassis-
tenzsystems
Ein hherer Nutzen lsst sich in der Regel nur durch die Inkaufnahme hherer Kosten er-
zielen. Dies gilt umso mehr, wenn aus Rcksichtnahme auf nanzielle Rahmenbedingungen
eines zu entwickelnden Systems nur eine begrenzte Sensortopologie zur Verfgung steht.
Aus diesem Zusammenhang entstand die Idee, im Rahmen dieser Dissertation ein warnen-
des Nachtsichtsystem mit einer Mensch-Maschine-Schnittstelle zu entwickeln, die in der
Lage ist, dem Fahrer Zusatzinformationen zur Verlsslichkeit einer ausgegebenen Warnung
zu bermitteln. Hierdurch soll der Fahrer in die Lage versetzt werden, die Systemausga-
ben entsprechend der aktuellen Fahrsituation zu interpretieren und Fehlwarnungen von
berechtigten Warnungen anhand seines auf Vorwissen und Erfahrungen basierenden Sys-
temverstndnisses zu unterscheiden.
Das angedachte Konzept akzeptiert Fehlwarnungen als Einschrnkung durch eine limitierte
Systemleistung, rumt dem Fahrer jedoch die Mglichkeit ein, unberechtigte Warnungen
144 9. Zusammenfassung und Ausblick
vereinfacht als solche zu erkennen und auszultern. Mit diesem Prinzip knnen idealer-
weise die Kosten gesenkt und gleichzeitig der Nutzen (z.B. Vorwarnzeit) erhht werden.
Ein wesentlicher Schritt bei der Verwirklichung des beschriebenen Konzepts war die Kl-
rung der Frage, wie eine Kollisionswarnung bei Nachtfahrten dargestellt werden muss, so
dass einerseits eine frhe Fahrerwarnung gewhrleistet wird und andererseits eine geringe
Beeintrchtigung des Systemvertrauens durch Fehlwarnungen erfolgt.
Zu Beginn der Systementwicklung wurde durch die Untergliederung des Gesamtproblems in
einzelne Teilprobleme die Basis fr ein systematisches Vorgehen gelegt. Alle Teilabschnitte
der Entwicklung, von der Anforderungsanalyse ber die Systemkonzeptionierung, die Sys-
temintegration bis hin zu den Nutzertests in der Fahrsimulation und im Versuchstrger,
bewirkten eine iterative Konkretisierung der Anforderungen. Dies betraf sowohl die An-
forderungen an einzelne Module zur Datenverarbeitung als auch die Nutzeranforderungen.
Zur Untersttzung eines nutzerzentrierten Entwicklungsprozesses wurde das Konstrukt
des Situationsbewusstseins aus der Kognitions- und Wahrnehmungspsychologie eingefhrt.
Es diente als strukturierendes Element zur Erfassung und Einordnung der Anforderungen
sowie der Rckmeldungen der Nutzer zum System.
Zur Anforderungsanalyse wurde eine Machbarkeitsstudie in einem statischen Fahrsimulator
durchgefhrt. Diese Untersuchung wurde als Instrument zur Nutzerbefragung eingesetzt
und durch die Auswertung von Statistiken sowie von Rekonstruktionen nchtlicher Unflle
ergnzt. Aus der Anforderungsanalyse ergab sich, dass der Fahrer von einem warnenden
Nachtsichtsystem Informationen zur Hindernisentfernung und zur Position innerhalb der
eigenen Fahrspur erhalten mchte. Diese Inhalte sollen kontinuierlich dargestellt werden
und peripher wahrnehmbar sein.
In einem zweiten Schritt wurde das Systemkonzept, basierend auf einem generischen An-
satz, anhand der ermittelten Anforderungen konkretisiert und in drei Bereiche gegliedert.
Diese umfassen die Sensorik, die Informationsplattform zur Verarbeitung der Sensordaten
und die Informationsausgabe mit der Mensch-Maschine-Schnittstelle.
Der Prototyp der Mensch-Maschine-Schnittstelle ist das Ergebnis eines iterativen Optimie-
rungsprozesses unter Einbeziehung der zuvor ermittelten Nutzeranforderungen. Zur Fah-
rerwarnung wird ein Flussmuster angezeigt, das die Annherung an ein Hindernis in der
eigenen Fahrspur wiedergibt. Dadurch konnte gleichermaen auf die Anforderung einer gu-
ten peripheren Wahrnehmbarkeit und einer Anzeige der Hindernisentfernung eingegangen
werden. Die Verlsslichkeit einer Warnung erfhrt der Fahrer ber den angezeigten Grau-
wert des Flussmusters. Je geringer die Verlsslichkeit der Warnung ist, umso niedriger ist
der Grauwert und umso schwcher wird die Warnung dargestellt.
Aus der Entwicklung der Mensch-Maschine-Schnittstelle wurden Anforderungen an die In-
formationsplattform mit den Modulen Umfeldbeschreibung und Umfeldinterpretation
abgeleitet. Die Hauptaufgabe der Umfeldbeschreibung ist die Filterung von Informationen
eines zur Objektdetektion eingesetzten Radarsensors anhand von Tracking-Algorithmen.
Die durch das Tracking berechnete Existenzwahrscheinlichkeit eines Tracks wird als Ma
der Verlsslichkeit der Objektexistenz zur Bestimmung des in der Mensch-Maschine-Schnitt-
stelle angezeigten Grauwerts verwendet. Im Rahmen der Umfeldinterpretation erfolgt die
Berechnung einer Kursprdiktion auf Basis der von der Sensorik gelieferten Informationen.
Diese beinhalten die Spurdetektion des Videosensors, eine Spurverlaufsschtzung aus den
Trajektorien bewegter Objekte, eine Kursprdiktion aus den Positionen stehender Rand-
objekte und die aus der Gierrate des eigenen Fahrzeugs berechnete Kurskrmmung. Die
145
einzelnen Beitrge werden anhand spezischer Qualittsmerkmale gewichtet und mitein-
ander gemischt.
Um Objekte der eigenen Fahrspur zuordnen zu knnen, wurde in die Umfeldinterpreta-
tion der Mechanismus einer Spurplausibilisierung integriert. Die Plausibilisierung errech-
net einen Wert fr jedes erfasste Objekt, der die Wahrscheinlichkeit dafr angibt, dass
sich das entsprechende Objekt innerhalb der eigenen Fahrspur bendet. Dieser Wert wird
neben der Existenzwahrscheinlichkeit als zustzliches Vertrauensma der Warnung zur Mo-
dikation des angezeigten Grauwerts in der Mensch-Maschine-Schnittstelle verwendet. Die
Spurplausibilisierung bezieht mgliche Abweichungen der Kursprdiktion vom tatschli-
chen Fahrspurverlauf in ihre Berechnungen mit ein und ermglicht es, die Prdiktion sogar
ber ihren eigentlichen Gltigkeitsbereich hinaus zu extrapolieren.
Das Ergebnis der beschriebenen Entwicklungsschritte ist der Prototyp eines neuartigen war-
nenden Nachtsichtsystems. Abschlieend wurde die Wirksamkeit des entwickelten Konzepts
im Rahmen von Nutzertests mit dem System in der Fahrsimulation und im Versuchstrger
untersucht.
In der Fahrsimulation wurde der Prototyp mit dem EUCLIDE-System, das dem Stand
der Technik entspricht, verglichen. Das zugrunde liegende neuartige Untersuchungsdesign
verbindet Methoden zur Analyse des Situationsbewusstseins und der Gebrauchstauglich-
keit. Bei den Tests des Warnsystems im Feldversuch wurde das Untersuchungsdesign aus
der Fahrsimulation bernommen, es fand jedoch kein Vergleich mit einem anderen System
statt. Whrend in der Fahrsimulation eine Vielfalt aus Nutzen- und Fehlwarnszenarien
dargestellt werden konnte, musste sich der Feldversuch aus Sicherheitsgrnden auf einen
bestimmten Szenarientyp mit knstlichen Hindernissen beschrnken.
Alle Versuche zeigen bereinstimmend, dass der Fahrer mit dem neuen Warnsystem Fehl-
warnungen wirksam anhand von zwei Mechanismen ltert. Eine erste Filterung erfolgt
aufgrund der Wahrnehmungsschwelle. Kurz und mit niedrigem Grauwert angezeigte Fehl-
warnungen werden nicht bewusst wahrgenommen und fhren so weder zu einer Beanspru-
chung des Fahrers, noch zu einer Reaktion. Wird eine Warnung so deutlich angezeigt, dass
der Fahrer sie peripher wahrnimmt, erfolgt eine zweite Prfung anhand der Erfahrungswer-
te des Fahrers mit dem System. Bei dieser Prfung wird in der Regel abgewartet, ob der
Warnungsverlauf unterbrechungsfrei und entsprechend einer Annherung an ein Objekt
erfolgt. Die Reaktionszeit auf berechtigte Warnungen wird durch eine bermige Dauer
und Hugkeit vorangegangener Fehlwarnungen verlngert. Das wichtigste Ergebnis des
neuen Konzepts in Zusammenhang mit dem Auftreten von Fehlwarnungen ist, dass die
Fahrer das System trotz Fehlwarnungen nicht ignorieren, sondern in Bremsbereitschaft
gehen und die Fahrbahn nach einem mglichen Hindernis absuchen. Ein Vertrauensverlust
in Bezug auf das System durch Fehlwarnungen kann somit vermieden werden.
Reaktionen auf berechtigte Warnungen werden mit dem neuen System in der Fahrsimulati-
on genauso eektiv durchgefhrt wie mit dem EUCLIDE-System. Im Feldversuch werden
ebenfalls deutliche Geschwindigkeitsreduktionen erzielt und Kollisionen mit den knstli-
chen Hindernissen in der Regel vermieden.
Durch seine periphere Wahrnehmbarkeit besitzt das neuartige warnende Nachtsichtsys-
tem ein geringes Ablenkungspotenzial; bei einer Warnung versucht der Fahrer immer, das
entsprechende Hindernis auf der Fahrbahn zu entdecken. Hierdurch ist die visuelle Be-
anspruchung deutlich niedriger als bei warnenden Nachtsichtsystemen, die eine Warnung
gemeinsam mit einem Nachtsichtbild in einem mehrstugen Warnkonzept anzeigen (z.B.
EUCLIDE).
146 9. Zusammenfassung und Ausblick
Die genannten Ergebnisse besttigen die Wirksamkeit des entwickelten Konzepts zur Fah-
rerwarnung. Zustzlich zur Warnung angezeigte Vertrauensmae werden vom Fahrer in
seine Entscheidung ber eine Reaktion mit einbezogen und fhren nachweislich zu einer
verbesserten Akzeptanz von Fehlwarnungen. Die im Systemprototypen realisierte Kombi-
nation aus Objekttracking, Kursprdiktion, Spurplausibilisierung und Mensch-Maschine-
Schnittstelle ermglicht die Berechnung und die Darstellung von Vertrauensmaen und
Fahrerwarnung entsprechend der ermittelten Anforderungen.
Es konnte gezeigt werden, dass eine frhe Warnung, auch vor stehenden Hindernissen und
trotz des vorhandenen Fehlwarnpotenzials, mglich ist. Um das System zur Serienreife zu
entwickeln, sind jedoch noch weitere Optimierungen bei der Kursprdiktion erforderlich,
um die Abweichungen zwischen prdiziertem und tatschlichem Fahrspurverlauf vor allem
in greren Entfernungen zu minimieren. Neuere Anstze hierfr sehen eine erweiterte
Nutzung der Daten der Videokamera in Verbindung mit verbesserten digitalen Karten vor
[80]. Dies wrde nicht nur zu einer weiteren Reduktion der Fehlwarnungen fhren. Auf Basis
einer verbesserten Reichweite der Kursprdiktion knnte auch eine Anpassung des Bereichs
der Spurplausibilisierung erfolgen, so dass die Systemreichweite erhht wird. Diese stellt
gerade bei Geschwindigkeiten um 100 km/h in Verbindung mit stehenden Hindernissen
noch ein Problem dar.
Abgesehen von diesen systemischen Aspekten mssen auch die im Rahmen der Fahrsimu-
lationsstudien deutlich gewordenen Zusammenhnge zwischen der Systemakzeptanz und
der Technikanitt weiter untersucht werden, um eine Annahme des Konzepts bei allen
Fahrertypen sicherzustellen. Darber hinaus ist durch Langzeitstudien zu klren, wie sich
das System nach lngerer Gewhnungszeit auf das Fahrverhalten auswirkt und in welcher
Form der Lernprozess des Fahrers beim Umgang mit den Systemausgaben abluft.
Die im Rahmen dieser Arbeit durchgefhrten Untersuchungen betreten hinsichtlich der
intensiven Einbeziehung von Fehlwarnungen Neuland im Bereich der Fahrerassistenzsyste-
me. Fr die Fahrsimulation wurden eigens spezische Algorithmen zur Modellierung der
umfelderfassenden Sensorik und ihrer Fehlerquellen entwickelt und kalibriert. Die durch
den Einsatz dieser Modelle und durch die Fahrversuche gewonnenen Erkenntnisse zeigen,
dass die von den Fahrern vorgenommene Systembewertung deutlich von der Anzahl und
der Intensitt der Fehlwarnungen abhngt.
Formelzeichen und Indizes
a Beschleunigungsnderung
A
1
, A
2
, . . . , A
k
Aktoren
a
erf
erforderliche Verzgerung zum Ausgleich der Relativgeschwindigkeit
A
rot
Rotationsmatrix
Schwimmwinkel
Schwimmwinkelnderung
BAB Bundesautobahn
c Lichtgeschwindigkeit
c
0
, c
1
, c
2
Koezienten der Polynomapproximation
CAN Controller Area Network
CMOS Complementary Metal Oxide Semiconductor
c
sh
Schrglaufsteigkeit Hinterachse
c
sv
Schrglaufsteigkeit Vorderachse
CTR Constant Turn Rate
d im HMI angezeigte Entfernung des Hindernisses
Lenkwinkel
Lenkwinkelnderung
Abweichung der Winkelbestimmung
DGPS Dierential Global Positioning System
DLD Dark-Light-Dark
d
Obj
Entfernung des Objekts
r Abweichung der Entfernungsmessung
EDEL Enhanced Drivers perception in poor visibility
ES Einspurmodell
ESP Elektronisches Stabilittsprogramm
EUCLIDE Enhanced human machine interface for on vehicle integrated driving
support system
f Frequenz eines Peaks im Spektrum
Winkel zwischen der Lngsachse des eigenen Fahrzeugs und dem
Sensorobjekt
f
0
Trger-Frequenz
F
1
, F
2
, . . . , F
m
Funktionen
f
h
Modulationsbereich
FIR Fern-Infrarot
FK Funktionskoordination
FMCW Frequency Modulated Continuous Wave
FP Fahrpedalbettigung
FW Hugkeiten von Fehlwarnungen
Dmpfung
GNN Global Nearest Neighbour
148 Formelzeichen und Indizes
G
T
Verstrkungsfaktor der Antenne
HBA Hydraulischer Bremsassistent
HMI Human-Machine Interface
HUD Head-Up Display
ID Identikation
IMM Interacting Multiple Model
JPDA Joint Probabilistic Data Association
Krmmung
K
Schwellenkontrast
K
HW
Konstante, von der Sensor-Hardware abhngig
LCD Liquid Crystal Display
l
h
Abstand Fahrzeugschwerpunkt - Hinterachse
LIDAR Light Detection And Ranging
L
O
Objektleuchtdichte (Leuchtdichte der Warnung im Display)
LRR2 Long-Range-Radarsensor
L
U
Umgebungsleuchtdichte (Leuchtdichte des Hintergrunds)
l
v
Abstand Fahrzeugschwerpunkt - Vorderachse
m Fahrzeugmasse
Modellwahrscheinlichkeit
NASA-TLX Methode zur Messung der Beanspruchung
NIR Nah-Infrarot
N
Quellen
Anzahl der Quellen zur Kursprdiktion
p Irrtumswahrscheinlichkeit
P Kovarianzmatrix
P
D
Detektionswahrscheinlichkeit
P
FA
Wahrscheinlichkeit eines Fehlalarms / einer Fehldetektion
P
S
Spurplausibilitt
P
T
Massentrgheitsmoment im Schwerpunkt bzgl. Hochachse
R Hugkeiten von Reaktionen
Korrelationskoezent
r radiale Entfernung
RADAR Radio Detection And Ranging
RAS Richtlinien fr die Anlage von Straen
RBE Road Border Estimation
RCS Radar Cross Section
RGB Rot Grn Blau
Standardabweichung
S
1
, S
2
, . . . , S
n
Sensoren
S
F
Sensierung des Fahrzeugzustands
SNR Signal to Noise Ratio
S
R
Long-Range-Radarsensor
S
V
Mono-Videosensor
t Zeit
T
BR
Zeitpunkt zum Beginn der Bremsreaktion
TFE Trac Flow Estimation
T
FR
Zeitpunkt zum Beginn der Fahrpedalreaktion
t
M
Modulationsdauer
TTC Time To Collision
Formelzeichen und Indizes 149
T
WB
Zeitpunkt zum Warnbeginn
UB Umfeldbeschreibung
UI Umfeldinterpretation
v Geschwindigkeit im Schwerpunkt in Lngsrichtung
v Beschleunigung im Schwerpunkt in Lngsrichtung
v
Ego
Geschwindigkeit des eigenen Fahrzeugs
v
Obj
Geschwindigkeit des Objekts
v
rel
Relativgeschwindigkeit des Sensorobjekts zum eigenen Fahrzeug
w
q
Gewichtung der Quelle q
x Position in longitud. Richtung des fahrzeugfesten Koordinatensystems
x Zustandsvektor
X
Objekt
Variable zur Bercksichtigung der Objekteigenschaften
Gierwinkel
Gierrate
Gierratennderung
y Position in lateraler Richtung des fahrzeugfesten Koordinatensystems
150 Formelzeichen und Indizes
Literaturverzeichnis
[1] Japans Legend features (FIR) Night Vision. http://www.motiontrends.com. 2005
[2] Adrian, W.: Die Unterschiedsempndlichkeit des Auges und die Mglichkeit ihrer
Berechnung. In: Lichttechnik Bd. 21. 1969, S. 2A
[3] Andreone, L.; Antonello, P.C.; Tango, F. [u. a.]: EU-Projekt EUCLIDE - En-
hanced human machine interface for on vehicle integrated driving support system,
Deliverable D5: Subsystem Component Design. 2003. unverentlicht
[4] Andreone, L.; Eschler, J.; Kempf, D. [u. a.]: An application of the human centred
design approach to the interaction between the driver and the vehicle: the EUCLIDE
project. In: Proceedings of the Conference of Intelligent Transportation Systems in
Chicago, USA, 2002
[5] Arnon, M.; Beutnagel-Buchner, U.; Graf, H.-G.; Lhlein, O.: BMBF-Projekt
NIRWARN: Schlussbericht / Bundesministerium fr Bildung und Forschung BMBF,
FKZ: 01M3157A-D. 2007. Forschungsbericht
[6] Arnon, M.; Uhler, W.: A Generic Sensor Model for Real Time Simulation App-
lications. In: Proceedings of the Conference of Intelligent Transportation Systems in
London, Great Britain, 2006
[7] Bartmann, A.; Reiffenrath, D.; Jacobs, A.M. [u. a.]: Sichtabstand bei Fahrten
in der Dunkelheit / Bericht der Bundesanstalt fr Straenwesen. 1993 (M 4).
Forschungsbericht
[8] Beutnagel-Buchner, U.; Grimm, D.; Andreone, L. [u. a.]: EU-Projekt EDEL:
System architecture design, Deliverable No. D 2.3. 2003. unverentlicht
[9] Blackman, S.; Popoli, R.: Design and Analysis of Modern Tracking Systems. Artech
House, 1999
[10] Blackwell, H.R.: Contrast Thresholds of the Human Eye. In: Journal of the Optical
Society of America Bd. 36. 1946, S. 624 643
[11] Blume, J.; Mayer, R.: Optik Design von Head-Up Displays fr Kraftfahrzeuge.
In: Konferenzband Optische Technologien in der Fahrzeugtechnik, VDI-Berichte 1731,
2003
[12] Boer, E.R.; Kuge, N.; Yamamura, T.: Aording Realistic Stopping Behaviour:
A Cardinal Challenge for Driving Simulators. In: Proceedings of the 1st Human-
Centered Transportation Simulation Conference, The University of Iowa, Iowa City,
Iowa, November 4-7, 2001
[13] Boer, E.R.; Yamamura, T.; Nobuyuki, K.; Girshick, A.: Experiencing the Same
Road Twice: A Driver Centered Comparison between Simulation and Reality. In:
Driving Simulation Conference DSC Paris, France, 2000
152 LITERATURVERZEICHNIS
[14] Brown, R.G.; Hwang, P.: Introduction to Random Signals and Applied Kalman
Filtering. John Wiley & Sons, 1997
[15] Bubb, H.: Wie viele Probanden braucht man fr allgemeine Erkenntnisse aus Fahr-
versuchen? In: Darmstdter Kolloquium Mensch & Fahrzeug, TU Darmstadt, 2003
[16] Buld, S.; Krger, H.-P.: Abschlussbericht Projekt EMPHASIS: Wirkungen von
Assistenz und Automation auf Fahrerzustand und Fahrsicherheit / IZVW - Interdis-
ziplinres Zentrum fr Verkehrswissenschaften an der Universitt Wrzburg. 2002.
Forschungsbericht
[17] Cha, D.; Park, P.: Development of HMI (Human-Machine Interface) Assessment
System and Derivation of Design Variable of Vehicle Navigation System. In: Journal
of Korean Society of Transportation 15 (1997), Nr. 2
[18] Dickmanns, E.; Zapp, A.: A curvature-based scheme for improving vehicle guidance
by computer vision. In: Proc. SPIE Conference on Mobile Robots Bd. 727, 1986
[19] Kap. Fusionsarchitekturen zur Umfeldwahrnehmung In: Dietmayer, K.; Kirch-
ner, A.; Kmpchen, N.: Fahrerassistenzsysteme mit maschineller Wahrnehmung.
Springer-Verlag, 2005, S. 5988
[20] Kap. Human Factors Field Evaluation of Automotive Headway Maintenance / Col-
lision Warning Devices In: Dingus, T.A.; McGehee, D.V.; Manakkal, N. [u. a.]:
Human Factors. Bd. 39(2). Human Factors and Ergonomics Society, 1997, S. 216229
[21] Endsley, M.; D., Garland: Situation Awareness Analysis and Measurement.
Lawrence Erlbaum Associates, London, 2000
[22] Endsley, M.R; Bolt, B.; Jones, D.: Designing for Situation Awareness: An Ap-
proach to User-Centered Design. Taylor & Francis, London and New York, 2003
[23] Eschler, J.; Andreone, L.: The Project EUCLIDE: Human Machine Interaction
of a Collision Warning System Based on Sensor Data Fusion. In: Proceedings of the
Conference of Intelligent Transportation Systems in Nagoya, Japan, 2004
[24] Forschungsgesellschaft fr Strassen- und Verkehrswesen, Arbeits-
gruppe Strassenentwurf. Richtlinien fr die Anlage von Straen, Teil: Lini-
enfhrung (RAS-L). 1995
[25] Forschungsgesellschaft fr Strassen- und Verkehrswesen, Arbeits-
gruppe Verkehrsfhrung und Verkehrssicherheit. Merkblatt fr die Aus-
wertung von Straenverlehrsunfllen, Teil 1: Fhren und Auswerten von Unfalltypen-
Steckkarten. 1998
[26] Gausemeier, J.; Ebbesmeyer, P.; Kallmeyer, F.: Produktinnovation. Carl Han-
ser Verlag, 2001
[27] Goldbeck, J.; Hrtgen, B.: Lane Detection and Tracking by Video Sensors. In:
IEEE Proc. Int. Conf. On Intelligent Transportation Systems, Tokyo Japan, October
5-8, 1999
[28] Goldstein, E.B.: Wahrnehmungspsychologie. Bd. 2. Spektrum Akademischer Verlag,
2002
[29] Gugerty, L.: Situation Awareness During Driving: Explicit and Implicit Knowledge
in Dynamic Spatial Memory. In: Journal of Eyperimental Psychology 3 (1997), S.
4266
LITERATURVERZEICHNIS 153
[30] Hall, D.L.; Llinas, J.: An introduction to multisensor data fusion. In: Proceedings
of the IEEE Bd. 85, 1997, S. 623
[31] Hart, S.; Staveland, L.: Development of NASA-TLX (Task Load Index): Results of
Empirical and Theoretical Research. In: P. A. Hancock & N. Meshkati (Eds.), Human
Mental Workload. Amsterdam: North Holland Press. (1988), S. 239250
[32] Henning, M.J.; Kienast, H.; Lindner, P. [u. a.]: Multifunktionale Mensch-
Maschine-Schnittstelle fr Fahrerassistenzsysteme. In: 5. Workshop Fahrerassistenz-
systeme FAS2008, Walting im Altmhltal, 2.4. April, 2008
[33] Hogenmller, T.: Entwicklung und Programmierung eines Systems zur Hindernis-
warnung im Kraftfahrzeug mit hochgenauem GPS, Hochschule Oenburg, Diplomar-
beit, 2004
[34] ISO - International Organization for Standardization. ISO 9241 - Ergo-
nomic requirements for oce work with visual display terminals (VDTs) - Part 11:
Guidance on usability. 1998
[35] Jakubasch, K. Nachschlagwerk fr Sachverstndige der Kraftfahrzeuge, des Kraft-
fahrzeugverkehrs und der Straenverkehrsunflle. 1998
[36] Kadar, I. [u. a.]: Comparison of Robustized Assignment Algorithms. In: Signal
Processing, Sensor Fusion and Target Recognition VI, Proc. SPIE Bd. 3068, 1997, S.
240249
[37] Kallenbach, I; Schweiger, R.; Palm, G.; Lhlein, O.: Multi-class Object De-
tection in NIR-images Using a Hierarchy of Cascaded Classiers. In: Proc. of IEEE
Intelligent Vehicles Symposium, Tokyo, Japan, 2006
[38] Kaussner, A.: Dynamische Szenerien in der Fahrsimulation, Julius Maximilians-
Universitt Wrzburg, Diss., 2003
[39] Klotz, A.; Sparbert, J.; Htzer, D.: Lane data fusion for driver assistance sys-
tems. In: 7th Information Fusion Conference, Stockholm, 2004
[40] Knig, W.; Mutschler, H.: MMI of warning systems in vehicles (Technical Re-
port, Draft, Reference No. ISO/TC22/SC13/WG8) / International Organization for
Standardization (ISO). 2002. Forschungsbericht
[41] Knoll, P.M.: Vorausschauende Sicherheitssysteme die Schritte zur Unfallvermei-
dung. In: Robert Bosch GmbH, Vortrag bei VDA Technischer Kongress, Rsselsheim,
2004
[42] Knoll, P.M.; Eschler, J.; Grimm, D.; Lopez, E.: Verbesserung der Nachtsicht mit
nahem Infrarot - Simulation und Realisierung / VDI (Verein Deutscher Ingenieure).
2003 (1731). VDI Berichte
[43] Kolawole, M.: Radar Systems, Peak Detection and Tracking. Newnes, 2002
[44] Konzernforschung VW: Vorausschauendes Auto. In: Automotive Systeme 5
(2004), S. 3840
[45] Land, M.F.; Horwood, J.: How speed aects the way visual information is used in
steering. In: Vision in Vehicles VI (1998), S. 4350
[46] Langer, D.; Switkes, J.P.; Stoschek, A.; Huhnke, B.: Environment Perception
in The 2007 Urban Challenge: Utility for Future Driver Assistance Systems. In: 5.
Workshop Fahrerassistenzsysteme FAS2008, Walting im Altmhltal, 2.4. April, 2008
[47] Lee, W.C.: Beitrge zur Entwicklung eines Fahrerassistenz-Systems fr Einparkvor-
gnge, Technische Universitt Ilmenau, Diss., 2006
[48] Lerner: Automotive Collision Avoidance Field Operational Test: Warning Cue Im-
plementation Summary Report / National Highway Trac Safety Administration,
U.S. Department of Transportation. 2002. Forschungsbericht
[49] Lerner, M.; Albrecht, M.; Evers, C.: Das Unfallgeschehen bei Nacht / Bericht
der Bundesanstalt fr Straenwesen. 2005 (M 172). Forschungsbericht
[50] Lerner, N.D.; Dekker, D.K.; Steinberg, G.V.; Huey, R.W.: Inappropriate Alarm
Rates and Driver Annoyance / Oce of Crash Avoidance Research National Highway
Trac Safety Administration U.S. Department. of Transportation. 1996. Forschungs-
bericht
[51] Maa, A.: Prdiktion des Fahrzeugkurses fr einen adaptiven Fahrgeschwindigkeits-
regler, Universitt Hannover, Diplomarbeit, 2000
[52] Mahlke, S.; Thring, M.; Rsler, D.; Seifert, K.; Krems, J.F.: Evaluation
of six night vision enhancement systems: Qualitative and quantitative support for
intelligent image processing. In: Human Factors 49 (2007), Nr. 3, S. 518531
[53] Malaterre, G.: Comparisons between Simulation & Actual Driving Situations: some
Experiments. In: DSC95, Sophia Antipolis, France Bd. 11, 1995
[54] Manz, K.; Klinger, K.: Optische Technologien im Automobil. Vorlesung des Licht-
technischen Instituts der Universitt Karlsruhe. 2005
[55] Mder, H.; Pppel-Decker, M.: Regionalstruktur nchtlicher Freizeitunflle jun-
ger Fahrer in den Jahren 1997 und 1998 / Bericht der Bundesanstalt fr Straenwesen.
2001 (M 129). Forschungsbericht
[56] Mesow, L.; Gauger, C.: Multi sensor data simulation in vehicle environment to test
sensor fusion algorithms. In: EUROSIM-FRANCOSIM-ARGESIM, 2004
[57] Mhler, W.: Untersuchung der visuellen Wahrnehmung des Straenraumes und
dessen Einu auf das Fahrverhalten, Rheinisch Westflische Technische Hochschule
Aachen, Diss., 1988
[58] Mineta, K.; Unoura, K.; Ikeda, T.: Development of a Lane Mark Recognition
System for a Lane Keeping Assist System. In: Intelligent Vehicle Initiative - Controls
(SP-1771) in: SAE World Congress and Exposition, Detroit, Michigan, 2003
[59] Mitschke, M.; Wallentowitz, H.: Dynamik der Kraftfahrzeuge. 4. Springer-
Verlag Berlin Heidelberg, 2004
[60] Kap. Observer sensitivity to element reliability in a multielement visual display In:
Montgomery, D.A.; Sorkin, R.D.: Human Factors. 1996, S. 484494
[61] Mourant, R.R.; Rockwell, T.H.: Strategies of visual search by novice and expe-
rienced drivers. In: Human Factors 14(4) (1972), S. 325335
[62] Mutschler, H.: Informationsdarstellung im Fahrzeug mit Hilfe eines Head-Up Dis-
plays / Bericht der Bundesanstalt fr Straenwesen. 1995 (F11). Forschungsbericht
[63] Nakamura, K.; Inada, J.; Kakizaki, M. [u. a.]: Windshield Display for Intelligent
Transport System. In: Proceedings of the Conference of Intelligent Transportation
Systems in Nagoya, Japan, 2004
[64] Kap. Informationsfusion fr Fahrerassistenzsysteme In: Niehsen, W.; Garnitz, R.;
Weilkes, M.; Stmpfle, M.: Fahrerassistenzsysteme mit maschineller Wahrneh-
mung. Springer-Verlag, 2005, S. 4357
[65] Okabayashi, S.: Japanese Technology Reviews. Bd. 27: Visual Optics of Head-Up
Displays (HUDs) in Automotive Applications. Gordon and Breach Science Publishers
SA, 1996
[66] Parasuraman, R.; Hancock, P.A.; Olofinboba, O.: Alarm eectiveness in driver-
centered collision-warning systems. In: Ergonomics 40 (1997), S. 390399
[67] Polychronopoulos, A.; Kempf, D.; Marinetto, M. [u. a.]: Role of a Driver
Cognition Model in the Design of an Anti-collision Warning System. In: 2nd Interna-
tional Driving Symposium on Human Factors in Driver Assessment, Park City, USA,
2003
[68] Polychronopoulos, A.; Kempf, D.; Marinetto, M. [u. a.]: Warning Strategies
Adaptation in a collision avoidance/vision enhancement system. In: Conference on
Human Computer Interaction Crete, 2003
[69] Polychronopoulos, A.; Scheunert, U.; Tango, F.: Centralized Data Fusion for
Obstacle and Road Borders Tracking in a Collision Warning System. In: Proceedings
of the Seventh International Conference on Information Fusion, Stockholm, Sweden,
2004
[70] Polychronopoulos, A.; Tsogas, M.; Amditis, A. [u. a.]: Dynamic situation and
threat assessment for collision warning systems: the EUCLIDE approach. In: IEEE
Intelligent Vehicles Symposium, University of Parma, June 14-17, 2004
[71] Polychronopoulos, A.; Tsogas, M.; Scheunert, U. [u. a.]: Non-Linear Filte-
ring Techniques in Intelligent Vehicles Functions. In: IEEE-EURASIP Workshop on
Nonlinear Signal and Image Processing NSIP, Grado-Trieste, Italien, 2003
[72] Rasmussen, J.: Skills, rules, knowledge: Signals, signs, and symbols and other dis-
tinctions in human performance models. In: IEEE Transactions on Systems, Man, &
Cybernetics 13(3) (1983), S. 257267
[73] Rather, L.: Entwicklung einer blickwinkelanalogen Anzeige zur Darstellung von
Warnungen fr den Fahrer, Hochschule Esslingen, Diplomarbeit, 2004
[74] Reichart, G.: Menschliche Zuverlssigkeit beim Fhren von Kraftfahrzeugen, Tech-
nische Universitt Mnchen, Diss., 2001
[75] Robert Bosch GmbH, Stuttgart. 75 Jahre Bosch-Licht. 1988
[76] Robert Bosch GmbH, Stuttgart. Bosch Lichtsysteme und Bordelektrik.
http://www.bosch.com. 2008
[77] Schmidt-Clausen, H.-J.; Freiding, A.: Sehvermgen von Kraftfahrern und Licht-
bedingungen im nchtlichen Straenverkehr / Bericht der Bundesanstalt fr Straen-
wesen. 2004 (M158). Forschungsbericht
[78] Sidaway, B.; Fairweather, M.; Sekiya, H. [u. a.]: Time-to-Collision Estimation in
a Simulated Driving Task. In: Human Factors 38(1) (1996), S. 101113
[79] Singer, R.A.: Estimating Optimal Tracking Filter Performance for Manned Maneu-
vering Targets. In: IEEE Trans. on Aerospace and Electronic Systems AES-5 (1970),
S. 473483
[80] Smuda, P.; Schweiger, R.; Neumann, H. [u. a.]: Multiple Cue Data Fusion with
Particle Filters for Road Course Detection in Vision Systems. In: Intelligent Vehicles
Symposium, Tokyo, Japan, 2006, S. 400405
[81] Solso, R.L.: Kognitive Psychologie. Bd. 6. Springer Medizin Verlag Heidelberg, 2005
[82] Kap. Fahrerassistenzsysteme Von realisierten Funktionen zum vernetzt wahrneh-
menden, selbstorganisierenden Verkehr In: Stiller, C.: Fahrerassistenzsysteme mit
maschineller Wahrnehmung. Springer-Verlag, 2005, S. 120
[83] Tinker, P.; Azuma, R. [u. a.]: Driving Simulation for Crash Avoidance Warning
Evaluation. In: Proceedings of 29th ISATA Dedicated Conference on Simulation,
Diagnosis and Virtual Reality in the Automotive Industry. Florence, Italy, 3-6 June,
1996, S. 367374
[84] Troppmann, R.; Hger, A.: ACC-Systeme; Hardware, Software & Co. Teil 2. In:
Automotive Systeme, Carl Hanser Verlag, Mnchen 5 (2005), Nr. 6, S. 5862
[85] Uhler, W.; Lichtenberg, B.: Driving Course Prediction Using Distance Sensor
Data. In: IV: Vehicle Navigation Systems and Advanced Controls (SP-1428) in: SAE
International Congress and Exposition Detroit, Michigan March 1-4, 1999
[86] Vallerie, L.L.: Peripheral Vision Displays, Phase II Report / NASA (National
Aeronautics and Space Administration). 1968. Forschungsbericht
[87] Valyus, N.A.: Stereoscopy. Focal Press, 1962
[88] VDI (Verein Deutscher Ingenieure): Methodik zum Entwickeln und Konstru-
ieren technischer Systeme und Produkte. 1993 (2221). VDI-Richtlinie
[89] Weber, S.: Unflle in der Dunkelheit. Deutscher Verkehrssicherheitsrat e.V., Bonn,
2003
[90] Welch, G.; Bishop, G. An Introduction to the Kalman Filter. SIGGRAPH 2001,
Course 8, ACM, Inc. 2001
[91] Wickens, C.D.; Lee, J.; Liu, Y.; Gordon Becker, S.: An Introduction to Human
Factors Engineering. Pearson Prentice Hall, 2004
[92] Winner, H.; Winter, K.; Lucas, B.; Mayer, H.: Adaptive Fahrgeschwindigkeits-
regelung ACC. Robert Bosch GmbH, 2002
[93] Witte, S.: Simulationsuntersuchungen zum Einu von Fahrerverhalten und techni-
schen Abstandsregelsystemen auf den Kolonnenverkehr, Technische Hochschule Karls-
ruhe, Diss., 1996
Liste der Diplomarbeiten, die im Rahmen dieser Dissertation entstanden sind und deren
Ergebnisse verwendet wurden:
Rather, Leon: Entwicklung einer blickwinkelanalogen Anzeige zur Darstellung von
Warnungen fr den Fahrer
Bagusch, Andreas: Vergleich verschiedener HMI-Varianten fr PKW-Nachtsichtsysteme
mittels Fahrsimulation
Mller, Andreas: Entwicklung einer Warnfunktion fr ein situationsbezogen warnen-
des Fahrerassistenzsystem zur Verbesserung der Nachtsicht
Wu, Yun: Entwicklung eines Algorithmus zur Spurprdiktion fr die Auswahl
relevanter Objekte zur Kollisionswarnung
Donis, Dieter: Untersuchung eines Display- und Optikkonzepts fr ein warnendes
Nachtsichtsystem
Anhang A
Unfalltypen-Katalog
Unfalltyp Erluterung
Fahrunfall Verlust der Kontrolle ber das Fahrzeug, ohne dass andere Verkehrsteil-
nehmer dazu beigetragen haben
Abbiegen Konikt zwischen vorfahrtsberechtigtem Abbieger und einem weite-
ren wartepichtigen Verkehrsteilnehmer an Kreuzungen, Einmndungen,
Grundstcks- oder Parkplatzzufahrten
Einbiegen/Kreuzen Konikt zwischen einbiegendem oder kreuzendem wartepichtigen und
einem weiteren vorfahrtsberechtigten Verkehrsteilnehmer an Kreuzungen,
Einmndungen, Grundstcks- oder Parkplatzzufahrten
berschreiten Konikt zwischen einem Fahrzeug und einem die Fahrbahn querenden
Fugnger
Ruhender Verkehr Konikt zwischen fahrendem und parkendem Fahrzeug
Lngsverkehr Unfallbeteiligte bewegen sich in gleicher oder entgegengesetzter Rich-
tung
Sonstige Unfall lsst sich nicht den brigen Unfalltypen zuordnen,
Dieser Unfalltyp beinhaltet auch den Fall Hindernis oder Tier auf der
Fahrbahn
Tabelle A.1: Kurzbeschreibung der Unfalltypen [25]
160 A. Unfalltypen-Katalog
Anhang B
Grundlagen von Head-Up Displays
B.1 Aufbau eines Head-Up Displays
Der optische Strahlengang eines Head-Up Displays fr die Nutzung im Pkw nach [11] ist
in Abbildung B.1 dargestellt. Das HUD enthlt neben der bildgebenden Einheit mehrere
optische Elemente in Form von ebenen Spiegeln oder Freiformspiegeln. Die Frontscheibe
stellt ein weiteres optisches Element dar, da sie zur Einspiegelung des virtuellen Bilds in
das Fahrersichtfeld dient.
3 Freiformasphren
ebener Faltspiegel
Bildquelle
Windschutzscheibe
Strahlengang rechtes Auge
Strahlengang linkes Auge
Abbildung B.1: HUD-Optik mit drei Freiformasphren und Zwischenbild [11]
Die Spiegel innerhalb des Systems dienen sowohl der Strahlfaltung (ebener Faltspiegel)
als auch der Strahlformung. Hierdurch wird das virtuelle Bild mit einer denierten Vor-
verzerrung erzeugt, um die weiteren, durch die Frontscheibe entstehenden, Verzerrungen
auszugleichen und dem Fahrer somit ein unverzerrtes Bild darzustellen.
B.2 Markierung von Hindernissen im Head-Up Display
Bei der Nutzung von Symbolen im HUD zur Markierung von Objekten, die sich auf der
Fahrbahn benden, mssen die vom Fahrer eingesetzten physiologischen und psychologi-
162 B. Grundlagen von Head-Up Displays
schen Mechanismen zur Entfernungsabschtzung beachtet werden. Wie Studien von [63]
gezeigt haben, ist die richtige Vermittlung der Objektentfernung von groer Bedeutung, um
dem Fahrer eine schnelle dreidimensionale Lokalisierung eines Hindernisses zu ermglichen.
Die dabei hauptschlich wirksamen physiologischen Mechanismen zur Entfernungswahr-
nehmung betreen die Disparitt der von beiden Augen wahrgenommenen Bildinformation
und die Konvergenzstellung der Augen. Whrend der Fahrt ist die visuelle Aufmerksamkeit
des Fahrers auf den vor ihm liegenden Fahrbahnbereich gerichtet [65]. Dabei nehmen die
Augen eine bestimmte Konvergenzstellung ein, d.h., rechtes und linkes Auge stehen so in
einem Winkel zur Mittelachse des Kopfes, dass sich die linke und die rechte Sichtlinie in
dem betrachteten Punkt auf der Fahrbahn schneiden.
Die vom rechten und linken Auge wahrgenommenen Einzelbilder unterscheiden sich dabei
geringfgig voneinander, da beide Augen die Szene von unterschiedlichen Blickwinkeln aus
betrachten. Diese Abweichung wird als Disparitt bezeichnet [87].
Der Sehapparat ist so entwickelt, dass Disparitt und Konvergenz fr jeden betrachteten
Gegenstand automatisch zu einer korrekten Bild- und Tiefeninformation umgerechnet wer-
den. Wird dem Betrachter nun ein weiterer Gegenstand angezeigt (in Form des virtuellen
Bilds des Head-Up Displays), der sich in einer Ebene zwischen dem ursprnglich xierten
Gegenstand und dem Betrachter bendet, so ist das Gehirn unter Umstnden nicht in der
Lage, die beiden Einzelbilder des zweiten Gegenstands zu einem Bild zu vereinen. In diesem
Fall wrde der Fahrer ein horizontales Doppelbild sehen.
Um diesen Eekt zu vermeiden, wre es optimal, die Lage der virtuellen Ebene so weit
nach hinten zu legen, dass sie sich in der tatschlichen Objektentfernung bendet. Dies
ist jedoch bei variablen Hindernisentfernungen zwischen 40 m und 150 m technisch sehr
aufwndig.
In der Verentlichung von [63] wird zur Lsung dieses Problems ein stereoskopisch arbei-
tendes HUD vorgeschlagen. Die prinzipielle Funktionsweise stellt Abbildung B.2 dar.
Windschutzscheibe
Bild fr das rechte
Auge
linkes
Auge
Bild fr
das linke
Auge
Disparitt virtuelles Bild
Position des
wahrgenommenen
Bilds
optische Positionen der
berlagerten Bilder
optisches System
Mikrodisplays fr das rechte und
das linke Auge
rechtes
Auge
Abbildung B.2: Stereoskopisches Head-Up Display [63]
Das System besteht aus zwei Mikrodisplays, von denen jeweils ein virtuelles Bild fr
das rechte und das linke Auge erzeugt wird. Durch diese Anordnung soll ein Stereo-
bersprechen, bei dem z.B. das linke Auge das Bild sehen kann, welches eigentlich fr das
rechte Auge gedacht ist, verhindert werden. Fr den Fahrer erscheint ein der Umgebung
berlagertes Bild in der Entfernung, die der Disparitt zwischen den beiden Einzelbildern
fr das linke und das rechte Auge entspricht. Untersuchungen mit dem stereoskopischen
HUD haben laut [63] gezeigt, dass die physiologischen Eekte zur Entfernungswahrneh-
mung bis in eine Distanz von 250 m wirksam sind.
B.2 Markierung von Hindernissen im Head-Up Display 163
Die psychologischen Mechanismen zur Entfernungswahrnehmung verwenden laut [28] vor
allem die Merkmale relative Gre, berdeckung, Perspektive sowie Licht und Schat-
ten. Als wesentlich fr die Abschtzung von Entfernungen im Straenverkehr hat sich in
den Untersuchungen von [63] die relative Positionierung der Symbole zur Fahrbahn erwie-
sen, die die Wahrnehmung von Entfernungen bis in eine Distanz von 500 m beeinusst.
164 B. Grundlagen von Head-Up Displays
Anhang C
Berechnung des Flussmusters aus der
Segmentanordnung im HMI
In Abbildung C.1 ist die (in die Perspektive umgerechnete) vertikale Lage der Segmente
im Display bezogen auf die tatschliche Hindernisentfernung dargestellt. Die vertikale Po-
sition im Display ist auf die gesamte Displayhhe normiert. Der Verlauf der Kennlinie ist
nicht linear, wie es bei einer rein perspektivischen Darstellung quidistanter Abstnde zu
erwarten wre, da die Segmentlngen so gewhlt wurden, dass sie ein mglichst aulliges
Flussmuster erzeugen. Zur Darstellung eines homogenen Anzeigeverlaufs wurden die ber-
gnge zwischen den einzelnen Segmenten durch eine Funktion zur berblendung von einem
vorhergehenden auf das nchste Segment weich gestaltet. Die Mglichkeit fr den Fahrer,
eine Objektentfernung aus der Perspektive abzuleiten, wurde durch diese Manahme nicht
negativ beeinusst.
0 50 100 150
0
0.2
0.4
0.6
0.8
1
Entfernung [m]
v
e
r
t
i
k
a
l
e

L
a
g
e

i
m

D
i
s
p
l
a
y

(
n
o
r
m
i
e
r
t
)
Abbildung C.1: Kennlinie der perspektivischen Segmentanordnung im HMI
Die Anzahl der Segmente im Bereich 130 m - 150 m ist, im Vergleich zum brigen Ent-
fernungsbereich, relativ hoch. Auch diese Manahme dient der Verstrkung des visuellen
Reizes zum Ausgleich der kleineren Segmentchen durch die perpektivische Darstellung.
Auf Basis der Kennwerte in Abbildung C.1 lsst sich die im HUD dargestellte Sehwin-
kelgeschwindigkeit bei der Annherung an ein stehendes Hindernis berechnen. Die Vorge-
hensweise hierzu ist in Abbildung C.2 skizziert. Der Fahrer bendet sich in der Entfernung
l
Fahrer
zum virtuellen Bild des HUD. Auf einem Bereich der vertikalen Displayche h
Disp
wird eine Warnung dargestellt, indem die horizontalen Balken dieses Bereichs innerhalb
166 C. Berechnung des Flussmusters aus der Segmentanordnung im HMI
einer bestimmten Zeitdauer nacheinander aktiviert werden. Die Zeitdauer, innerhalb der
dies geschieht, ergibt sich aus dem Verhltnis der Annherungsgeschwindigkeit v an das
Hindernis zu der zurckgelegten Wegstrecke d
Obj
, die den im HMI dargestellten Balken
entspricht. Da es sich um kleine Winkel handelt, lsst sich der bei der Warnung durchlau-
fene Sehwinkel nherungsweise als sin() berechnen.
Fahrerauge
Zentralachse des
primren Sichtfelds
virtuelles Bild im HUD
durchlaufener Be-
reich im Bild bei
einer Warnung
durchlaufener
Sehwinkel bei
einer Warnung
h
D
i
s
p
lFahrer
Abbildung C.2: Skizze zur Berechnung der im HUD dargestellten Sehwinkelgeschwindigkeit
1 2 3 4 5 6 7
0
0.5
1
1.5
TTC [s]
S
e
h
w
i
n
k
e
l
g
e
s
c
h
w
i
n
d
i
g
k
e
i
t

[
/
s
]
Abbildung C.3: Sehwinkelgeschwindigkeit bei der Annherung an ein stehendes Hindernis
mit 80 km/h
Die Formel zur Berechnung der Sehwinkelgeschwindigkeit ist in Gleichung C.1 angegeben.
Die Abbildung C.3 zeigt die ber einen Mittelwertlter geglttete Sehwinkelgeschwindigkeit
in Abhngigkeit von der TTC, die sich bei der Annherung an ein stehendes Hindernis mit
einer Geschwindigkeit von 80 km/h ergibt. Fr das Diagramm wurde entsprechend der
Werte des in Kapitel 3.1 dargestellten Mockups h
Disp
= 150 mm sowie l
Fahrer
= 1200 mm
angenommen.
=
h
Disp
v 180
l
Fahrer
d
Obj

(C.1)
167
Mit:
: Sehwinkelgeschwindigkeit [
/s]
h
Disp
: vertikale Hhe der zur Warnung verwendeten Displayche [mm]
l
Fahrer
: Entfernung zwischen Fahrerauge und virtuellem HUD-Bild [mm]
v : Geschwindigkeit des eigenen Fahrzeugs [m/s]
d
Obj
: Entfernung, die das Objekt bei der Annherung durchluft [m]
In [28] ist als Schwellenwert fr die periphere Wahrnehmung von Flussmustern je nach
Strukturierung des Hintergrunds ein Bereich von 0, 17 . . . 0, 33
/s angegeben. Laut [86]

hngt der Schwellenwert auch davon ab, wie weit in der Peripherie das Display angebracht
ist. Je weiter in der Peripherie, desto strker muss der Reiz und damit die Geschwindig-
keit des Flussmusters sein, da die Anzahl der Rezeptoren im Auge mit grer werdendem
Sichtwinkel abnimmt.
Aus der Abbildung C.3 geht hervor, dass die in der Literatur genannten Werte ber den
gesamten Bereich der Warnung von der dargestellten Sehwinkelgeschwindigkeit bertroen
werden. In dem TTC-Bereich zwischen 3 und 5 s betrgt sogar mehr als das zehnfache
der Schwellen. Mit der dargestellten Segmentanordnung konnte demnach eine gute Wahr-
nehmbarkeit der Warnung, auch bei periphererer Betrachtung des Displays, sichergestellt
werden.
168 C. Berechnung des Flussmusters aus der Segmentanordnung im HMI
Anhang D
Erweitertes Kalman-Filter
Zur Durchfhrung der Filterberechnungen werden die zu lternden Gren beim Erwei-
terten Kalman-Filter in einem n-dimensionalen Zustandsvektor, x
k
, zusammengefasst. Die
Eintrge des Zustandsvektors werden entsprechend der zu lternden Gren sowie gem
des im Filter verwendeten Systemmmodells gewhlt. Der Zustandsvektor wird in jedem
Rechenzyklus des Kalman-Filters, bezeichnet mit k, aktualisiert.
x
k
=
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
(D.1)
Die Eingangsdaten des Filters werden aus den Mess- und falls vorhanden den Steuer-
gren gebildet. Sie werden analog zum Zustandsvektor in eigenen Vektoren dargestellt,
z
k
fr die Messgren und u
k
fr die optionalen Steuergren.
Kern des Filtervorgangs ist die Prdiktion des Systemzustands mittels einer Zustands-
bergangsmatrix, in der das a priori Wissen ber das Systemverhalten in Form der den
Zustandsbergang beschreibenden Gleichungen gespeichert ist. Dieser prdizierte System-
zustand wird unter Bercksichtigung der Varianzen von Schtzung und Messung mit der
aktuellen Messung abgeglichen und zu einer neuen Zustandsschtzung verarbeitet.
Das erweiterte Kalman-Filter wird fr die Filterung nichtlinearer Systeme verwendet und
arbeitet mit einer Linearisierung der Zustandsgleichungen des Systems im Arbeitspunkt.
Fr diese Linearisierung wird die partielle Ableitung der Gleichungen fr den Zustands-
bergang und der Gleichungen fr die Umrechnung des Messvektors in den Zustandsraum
berechnet. Diese partiellen Ableitungen dienen zur Bildung der Zustandsbergangsmatrix
sowie der Matrizen zur Einbindung des Messvektors. In gleicher Weise wird bei der Ein-
bindung eines zustzlichen Vektors mit Steuergren in den Filterprozess vorgegangen.
Der Formalismus eines kompletten Filterzyklus wird im Folgenden kurz dargestellt, da sich
eine Reihe von Algorithmen innerhalb der in dieser Arbeit entwickelten Informationsplatt-
form darauf beziehen. Die Darstellung erfolgt in Anlehnung an [9] und [90].
170 D. Erweitertes Kalman-Filter
Bezeichnungen:
x
k
: Zustandsvektor
x
k
: prdizierter Zustandsvektor
k
: Zustandsbergangsmatrix
u
k
: Eingangsvektor fr Steuergren (optional)
B
k
: Eingangsmatrix fr Steuergren (optional)
z
k
: Eingangsvektor fr Messgren
h
k
: Ausgangsmatrix der Messgren
H
k
: Jacobi-Matrix der Ausgangsmatrix h
k
Q
k
: Kovarianzmatrix des Zustandsvektors
R
k
: Kovarianzmatrix des Messvektors
P
k
: prdizierte Fehlerkovarianzmatrix
P
k
: Schtzung der Fehlerkovarianzmatrix
K
k
: Kalman-Gain
I : Einheitsmatrix
Der Kalman-Filterzyklus gliedert sich in die folgenden Schritte:
a. Initialisierung des Kalman-Filters mit einer Schtzung und der zugehrigen Fehler-
kovarianzmatrix
x
0
und P
0
(in aller Regel wird x
0
mit einer aktuellen Messung befllt und P
0
auf den Diago-
nalelementen mit passenden Varianzen initialisiert)
b. Prdiktion der Zustandsschtzung und der Fehlerkovarianzmatrix auf den nchsten
Messzyklus k + 1
x
k+1
=
k
x
k
+B
k
u
k
(D.2)
P
k+1
=
k
P
k

T
k
+Q
k
(D.3)
Die Verwendung von u
k
und B
k
ist dabei optional: fr die bei [47] beschriebene Filte-
rung auf Basis eines Einspurmodells werden als Eingangsgren redundante Signale
von Drehzahlsensoren und Lenkradwinkel verwendet. In der Verentlichung von [71]
im Rahmen des EUCLIDE-Projekts wird durch den Zusatzterm eine Verschiebung
des Koordinatensystems aufgrund der Fahrzeug-Eigenbewegung eingerechnet.
Nun erfolgt der bergang zum nchsten Filterzyklus, daher entspricht die Notation
k im Folgenden der bisherigen Notation k + 1
c. Berechnung der Kalman Gain-Matrix (Verstrkungsmatrix)
K
k
= P
k
H
T
k
(H
k
P
k
H
T
k
+R
k
)
1
(D.4)
Die Gain-Matrix beinhaltet Gewichtungsfaktoren fr einzelne Elemente des Messvek-
tors z
k
, die im nchsten Berechnungsschritt zur Korrektur der Zustandsprdiktion
mit Hilfe des aktuellen Messvektors verwendet werden. Aus Gleichung D.4 wird deut-
lich, dass in die Berechnung der Gain-Matrix die Varianzen der Zustandsprdiktion,
171
P
k
, und des Messprozesses, R
k
), eingehen. Durch die Einbeziehung der Varianzen
wird die Quelle (Zustandsprdiktion oder Messung), die im aktuellen Zeitschritt am
zuverlssigsten erscheint, bei der nachfolgenden Aktualisierung der Zustandsscht-
zung am strksten gewichtet.
d. Aktualisierung der Zustandsschtzung mit der neuen Messung z
k
x
k
= x
k
+K
k
(z
k
h
k
(x
k
)) (D.5)
Bei der Berechnung der aktualisierten Zustandsschtzung wird die Funktion des
Kalman-Filters als rekursiver Schtzer deutlich: Die prdizierte Zustandsschtzung
x
k
wird ber die Kalman-Gain-Matrix K
k
mit der Abweichung zwischen der aktuel-
len Messung und x
k
zu einem aktuellen Zustandsvektor verrechnet.
e. Aktualisierung der Fehlerkovarianz
P
k
= (I K
k
H
k
) P
k
(D.6)
Der Filterzyklus beginnt nach dem Berechnungsschritt e wieder von Neuem mit Schritt
b und der Berechnung der Prdiktion.
Zustzlich zu den angegebenen Berechnungsschritten gilt beim Erweiterten Kalmen Filter
der im Folgenden dargestellte Formalismus zur Berechnung der Vektoren und Matrizen,
die zur Prdiktion des Zustandsvektors und zur Einbeziehung der Messdaten verwendet
werden.
Der fr den nchsten Zeitschritt k +1 prdizierte Zustandsvektor lsst sich ausdrcken als:
x
k+1
=
_
_
_
x
1,k+1
.
.
.
x
n,k+1
_
_
_
= f(x
k
, u
k
) (D.7)
Fr die Zustandsbergangsmatrix gilt dann als partielle Ableitung dieser Zusammenhnge:
k
=
f
[i]
x
[j]
(D.8)
Analog dazu lautet die Eingangsmatrix:
B
k
=
f
[i]
u
[j]
(D.9)
Die Ausgangsmatrix der Messung verknpft die von den Sensoren gemessenen mit den zu
schtzenden Gren
h
k
=
_
_
_
h
1,k
.
.
.
h
n,k
_
_
_
= f(x
k
, u
k
) (D.10)
Hieraus lsst sich die Jacobi-Matrix der Ausgangsmatrix h
k
ableiten:
H
k
=
h
[i]
x
[j]
(D.11)
Ein konkretes Beispiel mit einer Anwendung dieser Formeln zur Aufstellung der Filterglei-
chungen eines erweiterten Kalman-Filters gibt Anhang E fr die Filterung der kinemati-
schen Fahrzeugdaten.
172 D. Erweitertes Kalman-Filter
Anhang E
Formalismus zur Filterung der
Fahrzeugbewegung
Die Wahl des Zustandsvektors wurde in Kapitel 5.2 erlutert:
x
k
=
_
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
_
_
_
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
_
_
_
v
v
_
_
_
_
_
_
_
_
_
_
_
_
(E.1)
Der fr den nchsten Zeitschritt (k + 1) prdizierte Zustandsvektor lsst sich ausdrcken
als:
x
k+1
=
_
_
_
_
_
_
_
_
_
_
_
_
x
1,k+1
x
2,k+1
x
3,k+1
x
4,k+1
x
5,k+1
x
6,k+1
x
7,k+1
x
8,k+1
_
_
_
_
_
_
_
_
_
_
_
_
= f(x
k
, u
k
) (E.2)
Der Eingangsvektor fr die Steuergren, u
k
, bercksichtigt die im Fahrzeug redundant
vorhandenen Geschwindigkeitssignale an der Vorderachse (v
V k
) und an der Hinterachse
(v
Hk
) sowie den Lenkradwinkel als Richtungswunsch des Fahrers (vgl. Kapitel 5.2). Der
Vektor beinhaltet die folgenden Gren:
u
k
=
_
u
1
u
2
_
=
_
v
Hk
k
_
(E.3)
Mit diesem Vektor und den Bewegungsgleichungen Gleichung 5.9 und 5.10 gelten fr den
174 E. Formalismus zur Filterung der Fahrzeugbewegung
Zustandsbergang vom Zeitschritt k in den Zeitschritt k+1 die folgenden Zusammenhnge:
f
1
= sin(x
5,k
) l
h
x
3,k
+
_
(l
h
x
3,k
)
2
(sin
2
(x
5,k
) 1) +u
2
1,k
(E.4)
f
2
=
x
1,k+1
x
1,k
t
(E.5)
f
3
= x
3,k
+x
4,k
t (E.6)
f
4
=
c
sv
l
2
v
+c
sh
l
2
h
x
1,k
x
3,k
c
sv
l
v
c
sh
l
h
+
c
sv
l
v
u
2,k
(E.7)
f
5
= x
5,k
+x
6,k
t (E.8)
f
6
= (1
c
sv
l
v
c
sh
l
h
m x
2
1k
) x
3,k
c
sv
+c
sh
m x
1,k
x
5,k
+
c
s
v
m x
1,k
u
2,k
(E.9)
f
7
= u
2,k
(E.10)
f
8
=
x
7,k+1
x
7,k
t
(E.11)
Dabei entspricht t der Zeitdierenz zwischen k und k + 1. Fr die Zustandsbergangs-
matrix gilt:
k
=
f
[i]
x
[j]
=
_
_
_
_
_
_
_
_
_
_
_
_
0 0
13
0
15
0 0 0
21
1
23
0
25
0 0 0
0 0 1 t 0 0 0 0
0 0
43
0
45
0 0 0
0 0 0 0 1 t 0 0
0 0
63
0
65
0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0
87
0
_
_
_
_
_
_
_
_
_
_
_
_
(E.12)
mit:
13
= sin(x
5,k
) l
h
+
l
2
h
x
3,k
(sin
2
(x
5,k
) 1)
_
l
2
h
x
2
3,k
(sin
2
(x
5,k
) 1) +u
2
1,k
(E.13)
15
= cos(x
5,k
) l
h
x
3,k
+
l
2
h
x
2
3,k
sin(x
5,k
) cos(x
5,k
)
_
l
2
h
x
2
3,k
(sin
2
(x
5,k
) 1) +u
2
1,k
(E.14)
21
=
1
t
(E.15)
23
=

13
t
(E.16)
25
=

15
t
(E.17)
43
=
c
sv
l
2
v
+c
sh
l
2
h
x
1,k
(E.18)
45
=
c
sv
l
v
c
sh
l
h
(E.19)
63
= 1
c
sv
l
v
c
sh
l
h
m x
2
1,k
(E.20)
175
65
=
c
sv
+c
sh
m x
1,k
(E.21)
87
=
1
t
(E.22)
Aus dem Eingangsvektor fr die Steuergren, u
k
, ergibt sich die folgende Eingangsmatrix:
B
k
=
f
[i]
u
[j]
=
_
_
_
_
_
_
_
_
_
_
_
_
b
11
0
b
21
0
0 0
0 c
sv
l
v
/
0 0
0 c
sv
/(m x
1,k
)
0 1
0 1/t
_
_
_
_
_
_
_
_
_
_
_
_
(E.23)
mit:
b
11
=
u
1,k
_
l
2
h
x
2
3,k
(sin
2
(x
5,k
) 1) +u
2
1,k
(E.24)
b
21
=
b
11
t
(E.25)
Die Ausgangsmatrix der Messung verknpft die an der Vorderachse gemessene Geschwin-
digkeit und die gemessene Gierrate mit den zu schtzenden Gren:
h
k
=
_
|v
V,k
|
k
_
=
_
x
1,k
cos(x
5,k
)/ cos(u
2,k
)
x
3,k
_
(E.26)
Hieraus lsst sich die Jacobi-Matrix der Ausgangsmatrix h
k
ableiten:
H
k
=
h
[i]
x
[j]
=
_
h
11
0 h
13
0 h
15
0 0 0
0 0 1 0 0 0 0 0
_
(E.27)
mit:
w =
_
x
2
1,k
+ 2 x
1,k
sin(x
5,k
) l
v
x
3,k
+ (l
v
x
3,k
)
2
(E.28)
h
11
=
x
1,k
+ sin(x
5,k
) l
v
x
3,k
w
(E.29)
h
13
=
x
1,k
sin(x
5,k
) l
v
+l
2
v
x
3,k
w
(E.30)
h
15
=
x
1,k
cos(x
5,k
) l
v
x
3,k
w
(E.31)
176 E. Formalismus zur Filterung der Fahrzeugbewegung
Anhang F
Algorithmen zum
Multi-Objekt-Tracking
Entsprechend der auf [19] zurckgehenden Darstellung des prinzipiellen Ablaufs eines Al-
gorithmus zum Multi-Objekt-Tracking in Kapitel 5.3 lsst sich dieser in die folgenden
Berechnungsschritte unterteilen:
Prdiktion der Daten,
Umrechnung der prdizierten Daten in das Koordinatensystem des Sensors und Be-
rechnung der Gating-Algorithmen, um festzulegen, welche Messungen mit welchen
Tracks zur Aktualisierung assoziiert werden sollen,
Datenassoziation, bei der berechnet wird, mit welchen Anteilen der Messungen, die
die Gating-Bedingung fr einen Track erfllen, dieser Track aktualisiert wird,
Zustandslterung, bei der Messung und Prdiktion zu einer aktuellen Zustandsscht-
zung verrechnet werden (entspricht beim Kalman-Filter der Berechnung der Glei-
chung D.5 und D.6),
Aktualisierung der Trackliste, indem neue Tracks fr Messungen, die nicht assozi-
iert wurden, initialisiert werden und solche Tracks, die ber lngere Zeit mit keiner
Messung zugeordnet wurden, gelscht werden,
Zusammenstellung der Daten fr das Umfeldmodell, indem mit den intern gelterten
Zustnden der Objektliste eine externe Liste fr die Funktion befllt wird.
Im Rahmen dieser Arbeit wurden drei unterschiedliche Algorithmen zum Multi-Objekt-
Tracking miteinander verglichen:
GNN, Global Nearest Neighbour,
JPDA, Joint Probabilistic Dataassociation und
JPDA-IMM, Joint Probabilistic Dataassociation mit einem Interacting Multiple
Model fr das Kalman-Filter.
Eine bersicht zu den Unterschieden der einzelnen Algorithmen bietet Tabelle 5.2 in Ka-
pitel 5.3. Zum besseren Verstndnis der in diesem Kapitel vorgenommenen Analysen wer-
den die einzelnen Tracking-Algorithmen im Folgenden entsprechend ihrer wichtigsten Ele-
mente dargestellt. Begonnen wird mit dem rechentechnisch einfachsten Ansatz, der GNN-
Methode. Die Darstellung der beiden anderen Anstze, JPDA und JPDA-IMM ist jeweils
auf die Unterschiede zum GNN-Ansatz fokussiert.
Die Angaben zu Gren des erweiterten Kalman-Filters beziehen sich auf Anhang D.
178 F. Algorithmen zum Multi-Objekt-Tracking
F.1 GNN-Tracking
Nach [9] basiert die GNN-Methode zur Datenassoziation auf dem Prinzip, in jedem Tracking-
Zyklus die wahrscheinlichsten Zuordnungen zwischen bestehenden Tracks und empfange-
nen Ortungen zu identizieren. Das GNN-Tracking stellt die einfachste und am weitesten
verbreitetste Methode zur Datenassoziation beim Multi-Objekt-Tracking dar.
Der Ablauf des Tracking gliedert sich in die in Tabelle F.1 genannten Schritte.
Grobzyklus Beschreibung
Prdiktion
Rotation und Translation des fahrzeugfesten Koordinatensystems entspre-
chend der inkrementellen Bewegung des eigenen Fahrzeugs zwischen dem ver-
gangenen und dem aktuellen Rechenzyklus,
Berechnung von x
k+1
und P
k+1
Gating
Umrechnung der Ortungen in das kartesische Tracking-Koordinatensystem,
Prfung, fr welche Messobjekte die Gating-Bedingung erfllt ist
Assoziation
Zuordnung der Ortungen zu den bestehenden Tracks auf Basis einer Gewich-
tung der Abweichungen der kinematischen Attribute
Filterung
Berechnung von z
k
h
k
(x
k
) fr jeden Track aus der Ortung, die mit dem
Track assoziiert wurde,
Berechnung von x
k
nach Gleichung D.5 und P
k
nach Gleichung D.6
fr die Tracks, denen kein Messobjekt zugeordnet wurde:
x
k
= x
k
und P
k
= P
k
Objekt-
management
Berechnung der Existenzwahrscheinlichkeiten fr alle Tracks,
Lschen von Tracks, deren Existenzwahrscheinlichkeit unterhalb eines Schwel-
lenwerts liegt
Initialisierung von neuen Tracks mit solchen Messobjekten, die sich in keinem
Gating-Fenster benden
Umfeld-
beschreibung
Befllen der Trackliste der Umfeldbeschreibung mit den erforderlichen Wer-
ten aus der internen Trackliste
Tabelle F.1: Berechnungsschritte des GNN-Tracking-Algorithmus
F.1.1 Zustandsraummodell zur Kalman-Filterung
Da innerhalb des Objekt-Trackings ein erweitertes Kalman-Filter verwendet wird, ist die
Wahl eines Zustandsraummodells erforderlich, welches in der Lage ist, die auftretenden
Objektbewegungen mglichst gut zu ltern.
Bei Verwendung eines einzigen Kalman-Filters muss das Filtermodell in der Lage sein, so-
wohl stehende, als auch lngs oder quer zur Fahrtrichtung bewegte Objekte abzubilden. Die
beiden Quellen [9] und [69] schlagen als universelle Lsung zur Modellierung verschiedener
Bewegungszustnde das Singer-Modell vor [79].
Das Singer-Zustandsraummodell betrachtet das getrackte Objekt i physikalisch als Masse-
punkt und geht von einer konstanten Beschleunigung in x- und y-Richtung aus:
...
x
i
= 0
...
y
i
= 0
F.1 GNN-Tracking 179
Der Zustandsvektor beinhaltet Position, Geschwindigkeit und Beschleunigung in x- und in
y-Richtung:
x
k
=
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
x
6
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
x
x
x
y
y
y
_
_
_
_
_
_
_
_
(F.1)
Zur Berechnung des fr den nchsten Zeitschritt (k + 1) prdizierten Zustandsvektors
verwendet das Singer-Modell die mechanischen Bewegungsgleichungen eines Massepunkts.
Aus diesen Gleichungen ergibt sich x
k+1
in x-Richtung folgendermaen:
x
k+1
=
_
_
x
1,k+1
x
2,k+1
x
3,k+1
_
_
= f(x
k
) (F.2)
Mit t als Zeitraum zwischen Rechenzyklus k und k + 1 gelten fr f(x
k
) die Zusammen-
hnge:
f
1
= x
1,k
+x
2,k
t +
1
2
x
3,k
t
2
(F.3)
f
2
= x
2,k
+x
3,k
t (F.4)
f
3
= x
3,k
(F.5)
Hieraus lsst sich entsprechend Gleichung D.8 die Zustandsbergangsmatrix
k
ermitteln.
Die Modellierung der Bewegung in y-Richtung erfolgt analog. Eine ausfhrliche Herleitung
der Gleichungen zur Darstellung des erweiterten Kalman-Filters ist in [9] enthalten.
F.1.2 Prdiktion
Im Rahmen des Prdiktionsschritts erfolgt zunchst eine Verschiebung und eine Rotation
der Zustandsschtzung x
k
sowie der zugehrigen Kovarianzmatrix P
k
entsprechend der
inkrementellen Bewegung des eigenen Fahrzeugs. Die hierzu erforderlichen Berechnungen
sind nher in Kapitel 5.1 erlutert.
Im Anschluss an die Korrektur des Koordinatensystems erfolgt die Berechnung des pr-
dizierten Zustandsvektors x
k+1
sowie der prdizierten Fehlerkovarianzmatrix P
k+1
nach
Gleichung D.2 und D.3 entsprechend dem in Anhang D erlutertem Formalismus.
F.1.3 Gating
Bei dem in dieser Arbeit entwickelten GNN-Ansatz kommt ein rechteckiges Gating-Fenster
zur Anwendung, welches aus heuristisch festgelegten Positions- und Geschwindigkeitsbe-
reichen rund um die prdizierte Track-Position aufgespannt wird.
Die kinematischen Attribute der zu prfenden Detektion werden in das Koordinatensystem
des Zustandsvektors des Tracks umgerechnet (vgl. Abbildung 5.2). Aus dieser Rechenope-
ration ergeben sich vier Daten der Ortung j zum Vergleich mit dem Track i, alle Daten
beziehen sich auf das in Kapitel 5.1 beschriebene fahrzeugfeste Koordinatensystem:
x
j
: Position der Ortung in x-Richtung
x
j
: Geschwindigkeit der Ortung in x-Richtung
y
j
: Position der Ortung in y-Richtung
y
j
: Geschwindigkeit der Ortung in y-Richtung
Auerdem wird die Gre des Gating-Fensters durch die folgenden Variablen deniert:
x
gate
: Halbe Gre des Gating-Fensters fr die Position in x-Richtung
x
gate
: Halbe Gre des Gating-Fensters fr die Geschwindigkeit in x-Richtung
y
gate
: Halbe Gre des Gating-Fensters fr die Position in y-Richtung
y
gate
: Halbe Gre des Gating-Fensters fr die Geschwindigkeit in y-Richtung
Zur berprfung, ob sich eine Detektion innerhalb des Gating-Fensters bendet, werden
die Positions- und Geschwindigkeitsdaten getrennt betrachtet.
Damit erkannt wird, dass sich eine Ortung innerhalb des Gating-Fensters der Positionsda-
ten bendet, mssen die beiden Bedingungen F.6 und F.7 erfllt sein:
(x
j
x
i
+ x
gate
) (x
j
x
i
x
gate
) (F.6)
(y
j
y
i
+ y
gate
) (y
j
y
i
y
gate
) (F.7)
Analog wird die Anwesenheit einer Ortung innerhalb des Gating-Fensters fr die Geschwin-
digkeitsdaten auf Basis der folgenden Bedingungen geprft:
( x
j
x
i
+ x
gate
) ( x
j
x
i
x
gate
) (F.8)
( y
j
y
i
+ y
gate
) ( y
j
y
i
y
gate
) (F.9)
Sind die Bedingungen F.6 bis F.9 alle fr die Ortung j erfllt, so bendet sich diese
innerhalb des Gating-Fensters des Tracks i.
F.1.4 Assoziation
Laut [9] ist es ein wesentliches Problem beim GNN-Tracking, eine zufriedenstellende Lsung
fr die Assoziation der vorhandenen Tracks zu den Ortungen zu nden. Typischerweise
ergeben sich Koniktsituationen, wenn sich eine oder mehrere Ortungen innerhalb der
Gating-Fenster verschiedener Tracks benden.
Der von [9] zur Lsung des Assoziationsproblems vorgeschlagene Algorithmus geht ent-
sprechend einer Auktion vor und ermittelt eine oder mehrere optimale Track-Ortungs-
Paarungen, indem jeder Paarung symbolische Kosten zugewiesen werden und in mehreren
Durchlufen versucht wird, die Gesamtkosten ber alle Paarungen zu minimieren [36]. Die
Kosten werden in diesem Ansatz auf Basis der normalisierten statistischen Entfernung zwi-
schen Track und Ortung deniert. Je grer die Entfernung zwischen Track i und Ortung j,
F.1 GNN-Tracking 181
umso hher sind die Kosten der entsprechenden Assoziation. Die normalisierte statistische
Entfernung wird durch das Quadrat der Mahalanobis-Distanz, d
2
ij
, ermittelt:
d
2
ij
= (z
k
h
k
(x
k
))
T
(H
k
P
k
H
T
k
+R
k
)
1
(z
k
h
k
(x
k
)) = y
T
k
S
1
k
y
k
(F.10)
Mit:
y
k
: Vektor der Dierenz zwischen Ortung und Prdiktion des Tracks,
y
k
= z
k
h
k
(x
k
) (F.11)
Fr die Implementierung des GNN-Ansatzes im Rahmen dieser Arbeit wurde eine einfa-
chere Vorgehensweise gewhlt, die einzelne Elemente der Zustandsvektoren von Track und
Messung anhand fest vorgegebener Gewichtungen bercksichtigt.
Sofern sich eine Ortung j innerhalb des Gating-Fensters eines Tracks i bendet, erfolgt die
Berechnung der gewichteten Summe der Abweichung der kinematischen Attribute zwischen
Track und Ortung. Die gewichtete Summe
kinemAttrib
ist folgendermaen deniert:
kinemAttrib,i,j
=
w
x
|x
i
x
j
| +w
y
|y
i
y
j
| +w
x
| x
i
x
j
| +w
y
| y
i
y
j
|
w
x
+w
y
+w
x
+w
y
(F.12)
Mit:
w
x
: Gewichtung fr die Positionsabweichung in x-Richtung
w
x
: Gewichtung fr die Geschwindigkeitsabweichung in x-Richtung
w
y
: Gewichtung fr die Positionsabweichung in y-Richtung
w
y
: Gewichtung fr die Geschwindigkeitsabweichung in y-Richtung
In einer Vereinfachung der Implementierung von [9] werden zur Datenassoziation die aus
dem Gating hervorgegangenen Track-Detektions-Paarungen in der Reihenfolge abgearbei-
tet, die sich aus einer aufsteigenden Sortierung aller Werte fr
kinemAttrib
ergibt.
Entsprechend dem GNN-Prinzip kann jede Detektion lediglich einem Track zugeordnet
werden. Ist die Assoziation eines Tracks mit der Detektion, fr die der geringste Wert von
kinemAttrib
berechnet wurde, nicht mglich, so wird versucht, den Track sofern vorhanden
mit der, entsprechend
kinemAttrib
, zweit- oder drittbesten Detektion zu assoziieren.
F.1.5 Filterung
Da beim GNN-Ansatz jedem Track maximal eine Ortung zugewiesen wird, kann die Ak-
tualisierung des erweiterten Kalman-Filters direkt auf Basis der Gleichung D.4 bis D.6
erfolgen, wenn fr z
k
die kinematischen Attribute der assoziierten Ortung eingesetzt wer-
den.
Fr den Fall, dass mit einem Track keine Ortung assoziiert wurde (da sich keine Ortung
im Gating-Fenster des Tracks bendet), werden fr die aktuelle Zustandsschtzung und
Fehlerkovarianzmatrix jeweils die prdizierten Daten herangezogen:
x
k
= x
k
(F.13)
P
k
= P
k
(F.14)
F.1.6 Objektmanagement
Die Aufgaben der Funktionen zur Aktualisierung der Trackliste gliedern sich in die drei
Bereiche
Berechnung der Existenzwahrscheinlichkeit der vorhandenen Tracks,
Lschen von Tracks mit zu niedriger Existenzwahrscheinlichkeit und
Initialisierung neuer Tracks fr Ortungen, die mit keinem bestehenden Track assozi-
iert werden konnten.
Berechnung der Existenzwahrscheinlichkeit eines Tracks
Bei der GNN-Methode wird als einfachster Ansatz zur Berechnung der Existenzwahrschein-
lichkeit ein Zhler verwendet, der immer dann hochgezhlt wird, wenn ein Track mit einer
Messung assoziiert wurde. Konnte dem Track keine Messung zugeordnet werden, wird der
Zhler wieder verringert. Die Berechnungsvorschrift fr die Existenzwahrscheinlichkeit ist
in Gleichung F.15 zusammengefasst:
P
T,k
=
_
P
T,k1
+ P
T
Assoziation mit einer Messung
P
T,k1
P
T
keine Assoziation mit einer Messung
(F.15)
Mit:
P
T,k
: Existenzwahrscheinlichkeit eines Tracks zum Zeitpunkt k
P
T
: Inkrementelle Erhhung oder Verringerung von P
T,k
Eine Vernderung von P
T,k
wird nur vorgenommen, solange P
T,k
den gltigen Wertebereich
von [0, 1] nicht verlsst.
Lschen von Tracks
Sofern die Existenzwahrscheinlichkeit unterhalb eines Schwellenwerts liegt, ist davon aus-
zugehen, dass der Track kein relevantes Objekt mehr reprsentiert. Dementsprechend wird
er aus der Objektliste gelscht.
Initialisierung neuer Tracks
Konnte eine Ortung mit keinem der vorhandenen Tracks assoziiert werden, so wird auf
Basis dieser Ortung ein neuer Track initialisiert. Dies geschieht nur, solange die maximale
Anzahl an vom System trackbaren Objekten (32) nicht erreicht ist.
F.2 JPDA-Tracking
Tracking-Algorithmen nach dem JPDA-Prinzip (Joint Probabailistic Data Association)
erlauben die Assoziation mehrerer Ortungen mit einem Track, indem jede dieser Assozia-
tionen als Hypothese mit einer bestimmten Wahrscheinlichkeit betrachtet wird.
F.2 JPDA-Tracking 183
Laut [9] stellt das JPDA-Tracking daher einen Spezialfall des Multi-Hypothesen-Tracking
dar, bei dem verschiedene Varianten der Datenassoziation fr einen Track ber mehrere
Rechenzyklen hinweg verfolgt werden, bevor entschieden wird, welche Variante die korrek-
teste ist.
Die einzelnen Berechnungsschritte fr das JPDA-Tracking sind in Tabelle F.2 zusammen-
gestellt.
Prdiktion
chend der inkrementellen Bewegung des eigenen Fahrzeugs zwischen dem ver-
gangenen und dem aktuellen Rechenzyklus
Berechnung von x
k+1
und P
k+1
Gating
Umrechnung des prdizierten Zustandsvektors x
k+1
in Sensorkoordinaten,
Berechnung des Gating-Fensters,
Assoziation
Erzeugung von Hypothesen zur Assoziation der Ortungen mit den vorhande-
nen Tracks,
Berechnung der Wahrscheinlichkeiten der einzelnen Assoziationshypothesen
Filterung
Berechnung von z
k
h
k
(x
k
) fr jeden Track aus den inkrementellen Anteilen
der Messobjekte, die sich aus den Assoziationshypothesen ergeben,
Berechnung von x
k
k
nach Gleichung D.6
x
k
= x
k
und P
k
= P
k
Objekt-
management
Berechnung der Existenzwahrscheinlichkeiten fr alle Tracks,
lenwerts liegt
Umfeld-
beschreibung
Tabelle F.2: Berechnungsschritte des JPDA-Tracking-Algorithmus
Der JPDA-Tracking-Algorithmus verwendet wie der GNN-Ansatz das in Anhang F.1.1
dargestellte Singer-Modell zur Kalman-Filterung der Zustandsschtzung.
F.2.1 Gating
Der Ablauf innerhalb der Gating-Funktion wird fr jeden Track und fr jedes Messobjekt
durchlaufen und lsst sich folgendermaen gliedern:
Berechnung des Gating-Fensters rund um den prdizierten Zustandsvektor des Tracks
Berechnung des statistischen Abstands zwischen jedem Messobjekt und dem Track
Entscheidung, ob das Messobjekt innerhalb oder auerhalb des Gating-Fensters des
entsprechenden Tracks liegt
Auf der Basis der Annahme, dass die mgliche Lage der Messpunkte um eine prdizier-
te Trackposition herum entsprechend der Varianzen und Kovarianzen des Mess- und des
Filterprozesses (Matrix S
k
) einer Normalverteilung entspricht, wird ein elliptisches Gating-
Fenster verwendet.
Dieses Verfahren ist laut [9] wegen der Bercksichtigung stochastischer Zusammenhnge
prziser als rechteckige Gating-Fenster. Die Berechnung des Gating-Fensters wird nach der
folgenden Gleichung F.16 durchgefhrt:
G = 2 ln
_
P
d
(1 P
d
) (2 )
M/2

_
|S
k
|
_
(F.16)
Mit den Bezeichnungen:
M : Anzahl der Dimensionen des Messvektors
S
k
: Mess Residual Kovarianz Matrix, S
k
= H
k
P
k
H
T
k
+R
k
|S
k
| : Determinante von S
k
: Wahrscheinlichkeit fr eine Fehlmessung (P
FA
)
P
D
: Wahrscheinlichkeit, ein tatschlich existierendes Objekt zu messen
Die Gating-Bedingung prft fr jeden Track und jede Ortung, ob die Ungleichung:
d
2
G (F.17)
erfllt ist. Dabei ist d
2
die normalisierte statistische Entfernung (das Quadrat der Mahalanobis-
Distanz) nach Gleichung F.10.
Eine detaillierte wahrscheinlichkeitstheoretische Herleitung von Gleichung F.16 ist in [9] an-
gegeben. Die in Gleichung F.16 verwendete Wahrscheinlichkeitsdichtefunktion besitzt eine
mehrdimensionale Gaussverteilung (mit genau M Dimensionen). Durch die Mehrdimensio-
nalitt erhlt die Wahrscheinlichkeitsdichte und damit das Gating-Fenster eine elliptische
Form.
F.2.2 Assoziation
Trotz der hheren Przision eines auf Basis der Mess- und Filtervarianzen berechneten,
elliptischen Gating-Fensters im Vergleich zu einem heuristisch festgelegten, rechteckigen
Gating-Bereich (vgl. Anhang F.1.3) ist es mglich, dass
mehrere Detektionen innerhalb des Gating-Fensters eines Tracks liegen (z.B. multiple
Reektionen vom Heck eines Fahrzeugs) oder
eine Detektion sich im Gating-Fenster mehrerer Tracks bendet.
Um dieses Zuordnungsproblem aufzulsen, wird nach [9] fr jede Track-Ortungs-Paarung,
die sich innerhalb eines Gating-Fensters bendet, eine Assoziationswahrscheinlichkeit be-
rechnet, mit der dann die Aktualisierung des Kalman-Filters fr den entsprechenden Track
mit der jeweiligen Ortung durchgefhrt wird.
Zur Berechnung der Assoziationswahrscheinlichkeiten fr bestimmte Track(i) - Ortungs(j)-
Paarungen (p
ij
) werden zwei Wahrscheinlichkeiten miteinander kombiniert:
die Wahrscheinlichkeit, dass in einem bestimmen Messvolumenbereich (aufgespannt
durch Entfernung, Winkel und Relativgeschwindigkeit) berhaupt etwas detektiert
wird (signalbezogene Daten), P
D
,
die Wahrscheinlichkeit, dass eine Ortung an einer bestimmten Position, relativ zur
prdizierten Track-Position, erfolgt (kinematische Daten), g
ij
.
Die Basis hierzu bildet die folgende Gleichung F.18, die die angenommene Normalverteilung
der Detektionen eines bestimmten Tracks im Zustandsraum auf Basis der Mahalanobis-
Distanz evaluiert:
g
ij
=
e
d
2
ij
/2
(2)
M/2
_
|S
ij
|
(F.18)
Mit:
g
ij
: Wahrscheinlichkeit, dass die Zuordnung von Track i und Ortung j zutrit
Die verschiedenen Track-Ortungs-Paarungen werden im Folgenden als Hypothesen bezeich-
net. Der Ablauf der Datenassoziation lsst sich in die folgenden Schritte gliedern:
Erzeugung der Liste mit den Hypothesen,
Berechnung der Einzelwahrscheinlichkeiten fr die Hypothesen,
Zusammenfassen (Verschmelzen) der Hypothesen fr eine bestimmte Track - Ortungs
Paarung.
Erzeugung der Liste mit den Assoziationshypothesen
Fr alle Track-Ortungs-Paarungen, die aus dem Gating-Prozess des aktuellen Rechenzy-
klus hervorgegangen sind, wird eine Liste mit Hypothesen erstellt. Dabei entspricht eine
Hypothese einer bestimmten Kombination von Track-Ortungs-Paarungen (z.B. Track 1 -
Ortung 2, Track 2 - Ortung 6, . . . , inkl. der mglichen Paarung Track x - keine Ortung).
Bei der Berechnung mglicher Hypothesen ist zu beachten, dass durch die Kombinatorik
unter Umstnden eine sehr groe Anzahl von Hypothesen entstehen kann, die den Re-
chenaufwand fr diese Methode der Datenassoziation in die Hhe treiben. Algorithmische
Mglichkeiten zur Abhilfe werden in [36] diskutiert.
Fr die Betrachtung der Tracking-Algorithmen im Rahmen dieser Arbeit traten hinsichtlich
der Komplexitt der Szenarien keine Probleme dieser Art auf, weshalb auf zustzliche
Manahmen zur Reduktion der Anzahl der erzeugten Assoziationshypothesen verzichtet
wurde.
Berechnung der Einzelwahrscheinlichkeiten fr die Hypothesen
Die Einzelwahrscheinlichkeit P
(H
l
) einer Hypothese wird zunchst als das Produkt der
Wahrscheinlichkeiten jeder dieser Hypothese zugeordneten Track-Ortungs-Paarungen be-
rechnet. Fr das Beispiel der Zuordnungen, Track 1 - Ortung 2, Track 2 - Ortung 6, wrde
gelten:
P
(H
l
) = p
12
p
26
(F.19)
Zur Berechnung der Einzelwahrscheinlichkeit werden bei jeder Track-Ortungs-Paarung, die
einer Hypothese zugeordnet ist, zwei Flle unterschieden:
Bei der Kombination Track i - keine Ortung wird p
ij
folgendermaen berechnet:
p
10
= (1 P
D
) (F.20)
P
D
stellt die Wahrscheinlichkeit dar, dass in dem entsprechenden Messvolumenele-
ment berhaupt etwas detektiert wird.
Bei der Kombination Track i - Ortung j wird p
ij
folgendermaen berechnet:
p
12
= P
D
g
ij
(F.21)
Zustzlich wird nach [9] mit jeder Hypothese die Wahrscheinlichkeit () multipliziert, die
aussagt, ob die Ortung entweder ein neues Objekt (
NT
: new target) oder eine fehler-
haft empfangene Reektion (
FT
: false target, z.B. aus einer multiplen Reektion der
Radarsignale ber den Boden) darstellt:
=
NT
+
FT
(F.22)
wird entsprechend der Dierenz zwischen der Anzahl der Ortungen (N
T
) und der Anzahl
der Tracks (N
T
) potenziert:
P
(H
l
) = P
(H
l
)
N
O
N
T
(F.23)
Das Ergebnis der bisherigen Berechnungen ist der Rohwert der Wahrscheinlichkeit fr jede
einzelne Hypothese. Damit die Hypothesen miteinander kombiniert werden knnen, muss
der Rohwert mit der Summe aller Rohwerte normalisiert werden:
P(H
l
) =
P
(H
l
)
N
H
j=1
P
(H
j
)
(F.24)
Dabei entspricht N
H
der Anzahl aller Hypothesen.
Zusammenfassen der Hypothesen fr eine bestimmte Track - Ortungs Paarung
In diesem Verarbeitungsschritt wird die zusammengefasste Wahrscheinlichkeit dafr be-
rechnet, dass die Zustandslterung von Track i mit Ortung j aktualisiert werden soll.
Hierzu werden alle Ortungen durchlaufen, die sich im Gating Fenster eines Tracks be-
nden (inkl. der Variante keine Ortung). Aus den generierten Hypothesen werden die
normierten Wahrscheinlichkeiten aller Hypothesen, die eine Kombination aus dem betref-
fenden Track und der betreenden Ortung beinhalten, aufsummiert. Somit ergibt sich die
Gesamtwahrscheinlichkeit fr eine bestimmte Kombination, z.B.:
P
ij
= P(H
1
) +P(H
5
) +P(H
8
),
wenn gilt, dass H
1
, H
5
und H
8
die Kombination aus Track i und Ortung j enthalten.
Als Ergebnis wird fr jeden Track eine Liste abgespeichert, welche die Wahrscheinlichkei-
ten fr eine Datenassoziation mit jeder Ortung innerhalb des Gating-Fensters beinhaltet.
Auerdem wird anhand der Summe der Wahrscheinlichkeiten der Hypothesen, in denen
der betreende Track mit keiner Ortung assoziiert wird die summierte Wahrscheinlich-
keit dafr, dass der Track mit gar keiner Ortung aktualisiert werden soll, gespeichert.
Diese Daten werden beim Filter-Schritt des Kalman-Filters sowie bei der Berechnung der
Existenzwahrscheinlichkeit weiterverwendet.
F.2.3 Filterung
Die Wahrscheinlichkeiten der einzelnen Track - Ortungs - Paarungen, die bei der Daten-
assoziation berechnet wurden, werden bei der Aktualisierung der Zustandsschtzung fr
den Track im Kalman-Filter dazu verwendet, den Anteil der einzelnen Ortungen an der
Aktualisierung eines Tracks zu berechnen. Die im folgenden dargestellten Berechnungen
gehen auf [9] zurck.
Die Wahrscheinlichkeiten nden Eingang bei der Berechnung von y
k
= z
k
h
k
(x
k
).
Zur Berechnung des Gesamtvektors der Dierenz zwischen Messung und Prdiktion des
Tracks, y
k
, wird die fr jede Track-Ortungs-Paarung berechnete Dierenz zwischen Mes-
sung und Prdiktion des Tracks mit der jeweiligen Wahrscheinlichkeit fr diese Track-
Ortungs-Paarung multipliziert und zu einem Gesamtwert fr y
k
aufsummiert (es handelt
sich damit um eine gewichtete Summe):
y
k,i
=
N
Oi
j=1
P
ij
y
k,ij
(F.25)
Mit:
y
k,i
: Gesamtvektor der Dierenz zwischen Messung und Prdiktion des Tracks i
N
Oi
: Anzahl der Ortungen, die sich im Gating-Fenster von Track i benden
P
ij
: Berechnete Assoziationswahrscheinlichkeit fr Track i und Ortung j
y
k,ij
: Dierenz zwischen Ortung j und Prdiktion des Tracks i
Mit dem auf diese Weise errechneten Wert fr y
k,i
wird die Aktualisierung der Zustands-
schtzung des Kalman-Filters nach Gleichung D.5 durchgefhrt.
Zur Berechnung der aktualisierten Kovarianzmatrix P
k
wird eine nach [9] modizierte
Version von Gleichung D.6 verwendet, die die Assoziation verschiedener Ortungen mit
einem Track bercksichtigt.
Das dabei angewendete Prinzip beruht auf der berlegung, dass die Werte der Kovarianz-
matrix eines Tracks um so strker vergrert werden sollten, je grer die Streuung der
assoziierten Ortungen ist. Die aktualisierte (und ggf. vergrerte) Kovarianzmatrix wird
nach der folgenden Gleichung berechnet:
P
k
= P
0
k
+ P
k
(F.26)
Dabei stellt P
0
k
die Kovarianzmatrix fr den Fall dar, dass es nur eine einzige Track-
Ortungs-Paarung gibt, deren Assoziation sicher ist und P
k
ist der Anteil, um den die
Kovarianzmatrix vergrert wird, um die Unsicherheiten, die durch die Assoziation meh-
rerer Ortungen zu einem Track entstehen, zu bercksichtigen.
Die Gleichungen zur Berechnung der Summanden fr Track i lauten:
P
0
k
= p
i0
P
k
+ (1 p
i0
) P
k
(F.27)
P
k
= K
k
_
N
Oi
j=1
P
ij
y
k,ij
y
T
k,ij
y
k,i
y
T
k,i
_
K
T
k
(F.28)
Mit:
p
i0
: Berechnete Wahrscheinlichkeit, dass Track i gar keine Ortung zugeordnet werden soll
P
k
: Kovarianzmatrix, berechnet nach Gleichung D.6
Durch den Wert P
k
wird die Kovarianz anhand der Streuung der einzelnen Beitrge der
assoziierten Messungen erhht.
Falls mit einem Track keine Ortung assoziiert wurde, werden die aktuelle Zustandsscht-
zung und Kovarianzmatrix aus den prdizierten Werten gebildet:
x
k
= x
k
(F.29)
P
k
= P
k
(F.30)
Der Vorteil der im Folgenden beschriebenen Methode zur Berechnung der Existenzwahr-
scheinlichkeit im Vergleich zum in Anhang F.1.6 beschriebenen Zhler fr die Anzahl er-
folgreicher Assoziationen eines Tracks zu einer Ortung ist die Einbeziehung der quadrier-
ten Mahalanobis-Distanz d
2
ij
und der Mess-Kovarianzmatrix S
k
. Dieses Prinzip trgt der
Tatsache Rechnung, dass fehlerhafte Reektionen hug mit wechselnder Winkelablage
auftreten, da die Signalstrke (SNR) stark schwankt.
Die Vorgehensweise zur Berechnung der Existenzwahrscheinlichkeit wurde [9] entnommen.
Die Methode betrachtet den Messprozess als zweistuge Markov-Kette. Ziel des Markov-
Prozesses ist es, Wahrscheinlichkeiten fr das Eintreten zuknftiger Ereignisse anzugeben.
Fr den Fall der zweistugen Markov-Kette bedeutet dies, dass die Wahrscheinlichkeit fr
das Eintreten eines bestimmten Ereignisses lediglich vom aktuellen Zustand des stochas-
tischen Prozesses zum Zeitpunkt k sowie vom Zustand des Prozesses zum vorangehenden
Zeitpunkt k 1 abhngt.
Dabei stellt Zustand 1 ein nicht trackbares Objekt und Zustand 2 ein trackbares Objekt
dar. Die Markov-Kette bedient sich bei der Berechnung der Eintretenswahrscheinlichkeit
fr Prozesse mit diskreten Zeitpunkten der bedingten Wahrscheinlichkeit.
Fr den bergang zwischen den Zustnden wird eine bergangsmatrix der bedingten (und
in diesem Fall zeitunabhngigen) bergangswahrscheinlichkeiten nach dem folgenden Mus-
ter deniert:
_
P
11
P
12
P
21
P
22
_
(F.31)
Mit:
P
11
: Wahrscheinlichkeit, dass der Prozess in Zeitschritt k + 1 im Zustand 1 bleibt,
wenn er im Zeitschritt k auch in Zustand 1 war
P
12
: Wahrscheinlichkeit, dass der Prozess in Zeitschritt k + 1 im Zustand 2 bergeht,
wenn er im Zeitschritt k in Zustand 1 war
Die Wahrscheinlichkeiten P
21
und P
22
werden in gleicher Weise gebildet. Alle Wahrschein-
lichkeiten einer Zeile mssen sich zu 1 aufsummieren.
Auf Basis der bergangsmatrix lsst sich zunchst die a priori Existenzwahrscheinlichkeit
P
T,k
fr einen neu formierten, d.h. noch im Zustand nicht trackbar bendlichen, Track
zum Zeitpunkt k berechnen, bevor neue Messdaten empfangen wurden:
P
T,k
= P
22
P
T,k1
+P
12
[1 P
T,k1
] (F.32)
Mit:
P
T,k1
: berechnete Existenzwahrscheinlichkeit zum Zeitpunkt k 1
Zustzlich wird die folgende Variable deniert:
k
=
_
P
D
P
G
; N
Oi,k
= 0
P
D
P
G
_
1
V
G,k
N
Oi,k
N
Oi,k
j=1

j
_
; N
Oi,k
> 0
(F.33)
Mit:
P
G
: Wahrscheinlichkeit, dass sich eine Ortung im Gating-Fenster bendet (P
G
1)
j
: Wahrscheinlichkeit fr die Messung der kinematischen Attribute der Ortung j
N
Oi,k
: Erwartete Anzahl von falschen Ortungen (Fehlalarmen) im Gating-Fenster
V
G,k
: Volumen des Gating-Fensters
V
G,k
,
j
und

N
k
werden folgendermaen berechnet:
V
G,k
=
4
3

_
|S| G
M/2
fr einen dreidimensionalen Ellipsoiden (F.34)
j
=
1
P
G
(2)
M/2
_
|S
k
|
e
d
2
j
/2
(F.35)
N
Oi,k
= N
Oi,k
P
D
P
G
P
T,k
(F.36)
Die Existenzwahrscheinlichkeit eines Tracks zum Zeitpunkt k lsst sich damit nach der
folgenden Gleichung F.37 berechnen:
P
T,k
=
1
k
1
k
P
T,k
P
T,k
(F.37)
Die Variable
k
bercksichtigt sowohl die Streuung vorhandener Ortungen ber
j
inner-
halb des Gating-Fensters, als auch die Mglichkeit, dass sich bei mehr als einer Ortung
im Gating-Fenster fehlerhafte Reektionen im Gate benden, ber den Wert

N
Oi,k
. Fr
den Fall, dass sich gar keine Ortungen im Gating-Fenster benden, wird die Existenz-
wahrscheinlichkeit P
T,k
entsprechend der Wahrscheinlichkeit, dass berhaupt eine Ortung
im Gate existiert, P
D
auf einen Bruchteil ihres a priori Werts P
T,k1
im vorangegangenen
Rechenzyklus reduziert.
Je nher sich eine Ortung an der prdizierten Position eines Tracks bendet und je weniger
weitere, verstreute, Ortungen sich innerhalb des Gating-Fensters benden, desto schneller
steigt die Existenzwahrscheinlichkeit dieses Tracks an.
Lschen von Tracks
Tracks werden dann gelscht, wenn ihre Existenzwahrscheinlichkeit P
T,k
unterhalb eines
Schwellenwerts gefallen ist.
Initialisierung neuer Tracks
Fr eine Ortung wird dann ein neuer Track initialisiert, wenn sich diese Ortung in keinem
Gating-Bereich der aktuell vorhandenen Tracks bendet und die maximale Anzahl der vom
System trackbaren Objekte noch nicht erreicht ist.
F.3 IMM-JPDA-Tracking
Das Akronym IMM steht fr Interacting Multiple Model und bezeichnet die Verwen-
dung mehrerer parallel berechneter Kalman-Filter fr das Objekttracking [9]. Die verschie-
denen Filter knnen entweder mit unterschiedlichen Parametern fr die Kovarianzen ab-
gestimmt werden oder unterschiedliche Zustandsraummodelle verwenden. In beiden Fllen
wird erwartet, dass durch die Verwendung unterschiedlicher Filter eine bessere Abbildung
verschiedener Bewegungszustnde der Objekte gelingt. Dies verbessert bei Verwendung
der JPDA-Methode auch die Qualitt der Datenassoziation, da, wie im Folgenden ge-
zeigt wird, die Gre des Gating-Fensters besser an den jeweiligen Bewegungszustand eines
Objekts angepasst werden kann.
Als Folge werden einerseits weniger Track-Abrisse bei bewegten Objekten durch zu klei-
ne Gating-Fenster erzielt und andererseits bei geschickter Wahl der Bewegungsmodelle
der einzelnen Filter eine stabilere Schtzung der Bewegung in lateraler Richtung von
verfolgten Fahrzeugen.
Aufbauend auf dem in Anhang F.2 dargestellten JPDA-Tracking ist eine Reihe von Erwei-
terungen erforderlich, um die IMM-Filterung mit der JPDA-Methode zu kombinieren und
den erluterten Nutzen aus der Kombination ziehen zu knnen. Tabelle F.3 stellt die ein-
zelnen Schritte des IMM-JPDA-Tracking mit den zugehrigen Berechnungsschritten und
einer kurzen Beschreibung zusammen.
F.3.1 Zustandsraummodelle zur Kalman-Filterung
Laut [9] ist ein Tracking nach dem IMM-Prinzip insbesondere dann eektiv, wenn unter-
schiedliche Modelle, die unterschiedliche Bewegungszustnde eines Objekts reprsentieren,
fr die Zustandsprdiktion miteinander kombiniert werden. Fr die Untersuchungen im
Rahmen dieser Arbeit wurden daher zwei unterschiedliche Modelle fr den IMM-Prozess
verwendet:
Das Singer-Modell und
Das Constant Turn Rate-Modell.
Whrend das Singer-Modell in Anhang F.1.1 nher erlutert wird, ndet sich eine Darstel-
lung des Constant Turn Rate-Modells in Kapitel 5.2. Eine ausfhrliche Herleitung beider
Modelle ist in [9] und in [3] angegeben.
F.3 IMM-JPDA-Tracking 191
Prdiktion
chend der inkrementellen Bewegung des eigenen Fahrzeugs zwischen dem dem
vergangenen und dem aktuellen Rechenzyklus,
Mischen von x
k
und P
k
der einzelnen IMM-Modelle fr jeden Track,
Separate Berechnung von x
k+1
und P
k+1
fr jedes IMM-Kalman-Filtermodell
Gating
Durchfhrung der folgenden Schritte fr jedes der IMM-Kalman-Modelle:
Umrechnung des prdizierten Zustandsvektors x
k+1
in Sensorkoordinaten,
Berechnung des Gating-Fensters,
Assoziation
Erzeugung von Hypothesen zur Assoziation der Ortungen mit den vorhande-
nen Tracks,
Berechnung der Wahrscheinlichkeiten der einzelnen Assoziationshypothesen,
Hierzu werden jeweils die Daten desjenigen IMM-Modells verwendet, dessen
Prdiktion den geringsten statistischen Abstand (d
2
) zu der betrachteten Mes-
sung aufweist
Filterung
Berechnung von z
k
h
k
(x
k
) fr jeden Track aus den inkrementellen Anteilen
der Messobjekte, die in dem Gating-Fenster des Tracks ermittelt wurden,
Berechnung von x
k
k
nach Gleichung D.6
x
k
= x
k
und P
k
= P
k
,
Die Berechnungen werden fr jedes IMM-Modell separat ausgefhrt und ge-
speichert,
Bestimmung der Modellwahrscheinlichkeiten auf Basis von P
k
fr jedes der
IMM-Modelle
Objekt-
management
Berechnung der Existenzwahrscheinlichkeiten fr alle Tracks, hierzu werden
die einzelnen Modelle entsprechend ihrer Modellwahrscheinlichkeiten gewichtet,
lenwerts liegt,
Umfeld-
beschreibung
Berechnung des aktuellen Zustandsvektors aus der gewichteten Summe der
IMM-Modelle fr jeden Track,
Tabelle F.3: Berechnungsschritte des IMM-JPDA-Trackings
Die Wahl von Singer- und Constant Turn Rate-Modell zur Kombination im IMM-Filter
wird durch die in Kapitel 5.3 dargestellte Untersuchung begrndet.
F.3.2 Prdiktion
Zur Prdiktion des Zustandsvektors werden die in Kapitel D beschriebenen Standardme-
thoden des erweiterten Kalman-Filters mit Gleichung D.2 und D.3 verwendet. Der prdi-
zierte Zustandsvektor x
k+1
sowie die prdizierte Fehlerkovarianzmatrix P
k+1
werden fr
jedes Kalman-Filter eines IMM-Modells separat berechnet.
Vor der Prdiktion werden die einzelnen Kalman-Filter eines IMM-Modells durch Mischen
miteinander abgeglichen, um ein zu starkes Auseinanderlaufen der Filtergren zu vermei-
den.
Mischung der Kalman-Filter
Fr die Mischung werden die Zustandsvektoren und Fehlerkovarianzmatrizen der einzelnen
Filter entsprechend ihrer Modellwahrscheinlichkeit gewichtet aufsummiert. Diese Vorge-
hensweise entspricht einer Interaktion der Kalman-Filter beim IMM-Prozess.
Um die Modellwahrscheinlichkeiten zu berechnen, wird der Filterprozess als zweistuge
Markov-Kette modelliert. Jedes Filter des IMM-Prozesses stellt einen Zustand mit der zu-
gehrigen a priori Eintretenswahrscheinlichkeit P
lm
dar. Analog zur Berechnung der Exis-
tenzwahrscheinlichkeit (vgl. Anhang F.2.4) lsst eine bergangsmatrix aufstellen, die die
Wahrscheinlichkeiten fr die bergnge zwischen den Modellen angibt. Im Folgenden ist
ein Beispiel einer bergangsmatrix bei der Verwendung von zwei Kalman-Filtern darge-
stellt:
_
P
11
P
12
P
21
P
22
_
(F.38)
Mit:
P
11
: Wahrscheinlichkeit, dass das Objekt in Zeitschritt k + 1 im Zustand 1 (abgebildet
durch Modell 1) bleibt, wenn es im Zeitschritt k auch in Zustand 1 war
P
12
: Wahrscheinlichkeit, dass das Objekt in Zeitschritt k + 1 in Zustand 2 (abgebildet
durch Modell 2) bergeht, wenn es im Zeitschritt k in Zustand 1 war
Analog werden die Wahrscheinlichkeiten P
21
und P
22
gebildet. Die Summe jeder Zeile der
bergangsmatrix muss 1 ergeben.
Werden Kalman-Filter mit Zustandsvektoren unterschiedlicher Dimensionen miteinander
kombiniert, so ist vor der Mischung eine Umrechnung der unterschiedlichen Zustandsvek-
toren auf einen gemeinsamen erforderlich. Eine detaillierte Darstellung der Rechenschritte
zur Umrechnung verschiedener Zustandsvektoren ineinander ist in [9] angegeben.
Die Berechnung fr die Mischung der Kalman-Filter (indexiert mit l) erfolgt in den folgen-
den Schritten:
a. Umrechnung von x
l,k
und P
l,k
in das kartesische Koordinatensystem des Singer-
Modells,
b. Berechnung der a priori Wahrscheinlichkeit (auf Basis der Werte vom vorangegange-
nen Zeitschritt k 1, dass sich der Track i in Zustand l bendet, modelliert durch
Kalman-Filter l, nach der folgenden Gleichung:
C
i,m
=
N
F
l=1
P
lm

i,l
(F.39)
Mit:
C
i,m
: a priori Wahrscheinlichkeit, dass sich der Track i in Zustand l bendet
N
F
: Anzahl der IMM-Filter
P
lm
: bergangsmatrix
i,l
: a posteriori Wahrscheinlichkeit (berechnet nach der Messung im vorange-
gangenen Zyklus), dass sich der Track i in Zustand l bendet
Dabei werden die Wahrscheinlichkeiten der einzelnen Zustnde aus dem vorange-
gangenen Zeitschritt,
i,l
, mit den Wahrscheinlichkeiten der bergangsmatrix P
lm
verrechnet.
c. Berechnung der bedingten Wahrscheinlichkeit
i,lm
, dass der Track i im vorange-
gangenen Rechenzyklus k 1 vom Zustand l in den Zustand m bergegangen ist:
i,lm
=
P
lm

i,l
C
i,m
(F.40)
d. Berechnung der gemischten Zustandsschtzung x
0
i, m
und der Fehlerkovarianzmatrix
P
0
i, m
vom Zeitpunkt k 1 fr jeden Track i und fr jedes Modell m unter Berck-
sichtigung von
i,lm
:
x
0
i, m
=
N
F
l=1
(
i,lm
x
i,l
) (F.41)
P
0
i, m
=
N
F
l=1
[
i,lm
(P
i,l
+DP
i,lm
)] (F.42)
Dabei ist DP
i,lm
ein Zusatz zur Fehlerkovarianzmatrix zur Bercksichtigung der Un-
terschiede in den Zustandsschtzungen der einzelnen Kalman-Filter. DP
i,lm
berech-
net sich ber die folgenden Formeln:
DP
i,lm
= Dx
i,lm
Dx
T
i,lm
(F.43)
Dx
i,lm
= x
i,l
x
0
i, m
(F.44)
e. Rckrechnung von x
0
i, m
und P
0
i, m
in die Koordinatensysteme der einzelnen Modelle.
F.3.3 Gating
Fr den Gating-Prozess werden die bereits in Kapitel F.2.1 dargestellten JPDA-Methoden
angewendet. Um die Vorteile des IMM-Ansatzes bestmglich nutzen zu knnen, wird das
Gating fr alle Kalman-Filter parallel durchgefhrt. Das bedeutet, dass fr jeden Track
geprft wird, ob die entsprechende Ortung in einem der Gating-Fenster liegt, die sich aus
den einzelnen Kalman-Filtern ergeben.
F.3.4 Assoziation
Den Berechnungen zur Datenassoziation liegen die bereits in Kapitel F.2.2 fr die JPDA-
Methode mit einem Kalman-Filter dargestellten berlegungen zu Grunde. Analog zum
Gating-Prozess wurde die Vorgehensweise zur Assoziation in Verbindung mit den IMM-
Kalman-Filtern dahingehend erweitert, dass die Wahrscheinlichkeit fr einzelne Track-
Ortungs-Assoziationen g
ij
(vgl. Gleichung F.18) auf Basis desjenigen Kalman-Filters be-
rechnet wird, dessen Prdiktion beim Gating-Prozess die geringste statistische Distanz d
2
(vgl. Gleichung F.10) aufwies und damit oenbar das Verhalten des getrackten Objekts
am Besten darstellt.
F.3.5 Filterung
Im Rahmen der Berechnung des Filterschritts fr das erweiterte Kalman-Filter ndet beim
IMM-Algorithmus zustzlich eine Aktualisierung der Wahrscheinlichkeiten fr das Zutref-
fen der einzelnen IMM-Zustandsraummodelle zur Beschreibung der Dynamik des getrack-
ten Objekts statt,
k,i,l
. Der Ablauf ist im Folgenden dargestellt.
Aktualisierung der Zustandsschtzung
Die Berechnung der aktualisierten Schtzungen fr den Zustandsvektor x
k
und der Feh-
lerkovarianzmatrix P
k
erfolgt fr jedes Kalman-Filter separat nach dem in Kapitel F.2.3
erluterten JPDA-Prinzip und unter Verwendung der Gleichung F.25 bis F.30. Die ge-
wichtete Dierenz zwischen Ortung und Track wird fr jedes Kalman-Filter auf Basis von
Gleichung F.25 ermittelt.
Aktualisierung der Modellwahrscheinlichkeiten
Auf Basis der aktuellen Zustandsschtzung und Fehlerkovarianzmatrix werden neue Mo-
dellwahrscheinlichkeiten fr die im IMM-Prozess zusammengefassten Kalman-Filter be-
stimmt. Fr jedes Kalman-Modell l einer IMM-Filterbank wird hierzu die Wahrscheinlich-
keit berechnet, dass dieses Modell die tatschliche Objektdynamik wiedergibt.
Die Berechnung dieser Wahrscheinlichkeit erfolgt nach der folgenden Gleichung [9]:
k,i,l
=
e
d
2
k,i,l
/2
(2)
M/2
_
|S
k,i,l
|
(F.45)
Mit:
k,i,l
: Wahrscheinlichkeit zum Zeitpunkt k, dass fr Track i Modell l zutrit
d
2
k,i,l
: statistische Entfernung
S
k,i,l
: Mess Residual Kovarianz Matrix, zur Berechnung vgl. Anhang F.2.1
Die statistische Entfernung d
2
k,i,l
aus der Summe der gewichteten Einzeldistanzen fr alle
Track-Ortungs-Paarungen fr das Kalman-Filter l wird aus dem bei der Aktualisierung
der Zustandsschtzung berechneten Vektor y
k,i,l
analog zu Gleichung F.10 ermittelt.
Diese Vorgehensweise fhrt dazu, dass die Wahrscheinlichkeit eines Modells umso niedriger
ausfllt, je grer sein statistischer Abstand zur Ortung im Vergleich zu den Abstnden
der anderen Modelle ist.
Die Berechnung der a posteriori Wahrscheinlichkeit (d.h., die Modellwahrscheinlichkeit
nach der Aktualisierung der Filter mit den Ortungen), dass der Bewegungszustand eines
Objekts durch das Filter l abgebildet wird,
k,i,l
, erfolgt nach der Formel von Bayes:
k,i,l
=

k,i,l
C
k1,i,l
N
F
m=1

k,i,m
C
k1,i,m
(F.46)
Mit:
C
k1,i,l
: a priori Wahrscheinlichkeit, dass sich der Track i in Zustand l bendet
N
F
: Anzahl der Filter
k,i,l
: a posteriori Wahrscheinlichkeit, dass sich der Track i in Zustand l bendet
Vergleichbar zur JPDA-Methode mit nur einem Kalman-Filter beinhalten die Algorithmen
zum Objektmanagement bei der Verwendung einer IMM-Filterbank Funktionen zur Be-
rechnung der Existenzwahrscheinlichkeit eines Tracks sowie zur Lschung von Tracks mit
zu geringer Existenzwahrscheinlichkeit und zur Initialisierung neuer Tracks.
Die Methoden zur Berechnung der Existenzwahrscheinlichkeit greifen auf die bereits in
Kapitel F.2.4 erluterten Zusammenhnge auf Basis der zweistugen Markov-Kette zurck.
Mit einer Erweiterung der Gleichung F.33 wird bei der IMM-Filterbank der Wert
k
fr
jedes Kalman-Filter einzeln berechnet und dann mit Hilfe der in Kapitel F.3.5 berechneten
a posteriori Modellwahrscheinlichkeiten
k,i,l
als gewichtete Summe der einzelnen Filter
gebildet:
k,i
=
N
F
l=1
k,i,l

k,i,l
(F.47)
Mit
k,i
kann nach Gleichung F.37 die aktualisierte Existenzwahrscheinlichkeit berechnet
werden.
Die Vorgehensweise zum Lschen und zur Initialisierung neuer Tracks ist analog zu der in
Kapitel F.2.4 beschriebenen.
F.3.7 Umfeldmodell
Um die externe Schnittstelle des Umfeldmodells zu befllen, wird mit Hilfe der a poste-
riori Modellwahrscheinlichkeiten
k,i,l
eine gewichtete Summe der den einzelnen Filtern
zugeordneten Zustandsvektoren und Fehlerkovarianzmatrizen gebildet:
x
k,i
=
N
F
l=1
k,i,l
x
k,i,l
(F.48)
P
k,i
=
N
F
l=1
k,i,l
P
k,i,l
(F.49)
Vor der Summenbildung mssen die Zustandsvektoren und Fehlerkovarianzmatrizen der
verschiedenen Kalman-Filter in ein gemeinsames Koordinatensystem umgerechnet werden.
Anhang G
Beispiel zum Assoziationsprozess beim
JPDA-Tracking
Zum besseren Verstndnis des Assoziationsprozesses des in Kapitel 5.3.1 dargestellten Bei-
spiels sind in Tabelle G.1 die zu Abbildung 5.8 zugehrigen Assoziationswahrscheinlichkei-
ten fr die beiden Tracks aufgelistet:
p
10
: Wahrscheinlichkeit, dass Track 1 keine Detektion zuzuordnen ist
p
11
: Wahrscheinlichkeit, dass Track 1 Detektion 1 (schwarzer Stern in Abbildung 5.8)
zuzuordnen ist
p
20
: Wahrscheinlichkeit, dass Track 2 keine Detektion zuzuordnen ist
p
21
: Wahrscheinlichkeit, dass Track 2 Detektion 1 zuzuordnen ist
Zeit [s]
Assoziationswahrscheinlichkeiten Mahalanobis-Distanzen
p
10
p
11
p
20
p
21
d
2
11
d
2
21
770,66 1,0000 0,0000 0,0000 1,0000 25,50 -
770,76 0,9615 0,0385 0,0397 0,9603 10,88 3,82
770,86 0,3154 0,6846 0,6868 0,3132 6,12 8,02
770,96 0,3310 0,6690 0,6695 0,3305 2,87 4,87
771,06 0,0011 0,9988 1,0000 0,0000 3,64 24,16
Tabelle G.1: Assoziationswahrscheinlichkeiten fr den JPDA-Algorithmus
Die Assoziationswahrscheinlichkeit zwischen Track 2 und der Detektion (p
21
) erreicht nur
direkt nach der Initialisierung von Track 2 einen hohen Wert, im weiteren zeitlichen Verlauf
wird die Detektion mehrheitlich auf Track 1 bezogen (p
11
> p
21
).
Nach Gleichung F.18 in Anhang F.2.2, die zur Berechnung von p
11
und p
21
verwendet
wird, hngt die Assoziationswahrscheinlichkeit der Paarung von Track i und Detektion j
im Wesentlichen von der quadrierten Mahalanobis-Distanz, d
2
ij
ab.
1
Je grer d
2
ij
, desto kleiner ist die sich ergebende Assoziationswahrscheinlichkeit. Die zeit-
liche Entwicklung von d
2
11
und d
2
21
kann ebenfalls anhand von Tabelle G.1 nachvollzogen
werden und liefert die Erklrung fr den Verlauf der Datenassoziation in Abbildung 5.8.
1
Eine detaillierte Erluterung der Variablen erfolgt in Anhang F.2.
198 G. Beispiel zum Assoziationsprozess beim JPDA-Tracking
Die Verschlechterung von d
2
21
im Vergleich zu d
2
11
ist hauptschlich auf die auch in Ab-
bildung 5.8 erkennbaren Unterschiede in der lateralen Position der Tracks, relativ zur
Detektion zurckzufhren.
In analoger Weise geht die Mahalanobis-Distanz in die Berechnung der Existenzwahrschein-
lichkeit nach Gleichung F.37 und F.35 ein. Dadurch bewirkt die schnelle Abnahme von d
2
11
einen nur kurzzeitigen Abfall der Existenzwahrscheinlichkeit von Track 1.
Anhang H
Szenarienfolge im Fahrsimulator
In den folgenden Tabellen H.1 bis H.4 ist der prinzipielle Ablauf einer Fahrt der in Kapitel 7
beschriebenen Studien im Fahrsimulator dargestellt. Die Szenenbeschreibung gliedert sich
in mehrere Einzelmodule, die in der Reihenfolge A - B - C - D aneinandergereiht wurden.
Kategorie Szene
d Systemeinfhrung
1
d Scharfe Rechtskurve
b Ortschaft
2
b Scharfe Linkskurve
3
d Hindernis mit Warndreieck
b Fels am rechten Fahrbahnrand in Linkskurve
b Huserzeile am rechten Fahrbahnrand
b Fels am rechten Fahrbahnrand in Rechtskurve
d Baustelle, doppelter Spurwechsel
d Wird berholt
b Haus am rechten Fahrbahnrand in Rechtskurve
a Fels auf der Fahrbahn
d Ortschaft
Tabelle H.1: Szenenablauf Modul A
1
Fnf Warnungen auf stehende Hindernisse
2
Provokation von Fehlwarnungen durch Randobjekte
3
Fehlwarnung durch Haus am Fahrbahnrand
200 H. Szenarienfolge im Fahrsimulator
Kategorie Szene
d Zusammentreen mit Fhrungsfahrzeug
1
d Vordermann bremst mittel
d Vordermann bremst leicht
d Ortschaft
c
2
Unbeleuchtetes Fahrzeug in Rechtskurve
c
3
Fels auf Fahrbahn in Rechtskurve
c
4
Wildschwein auf Fahrbahn
a Unbeleuchtetes Fahrzeug auf gerader Fahrbahn, Reihe parkender Fahrzeuge am
Fahrbahnrand
d Schlecht einsehbare Kurve
a Bake auf Fahrbahn
d Enge Rechtskurve ohne Hindernis
a Unbeleuchtetes, stehendes Fahrzeug auf Fahrbahn
b Slalomparcours
d Langsameres, vorausfahrendes Fahrzeug; berholvorgang durchfhren
a Viele Felsbrocken am Fahrbahnrand, ein Felsbrocken auf der Fahrbahn
d Enge Rechtskurve ohne Hindernis
d T-Kreuzung
Tabelle H.2: Szenenablauf Modul B
1
Beginn Folgefahrt
2
Aufgrund der asymmetrischen Ausleuchtung des Abblendlichts ist die Sichtweite des Fahrers in Rechts-
kurven deutlich besser, als bei Geradeausfahrt. Daher wird diese Szene als spte Warnung (Kategorie
c) gewertet.
3
Die Kursprdiktion wird durch Randobjekte beeintrchtigt, daher erfolgt eine spte Warnung (Kate-
gorie c).
4
Trotz schlechter Sichtbarkeit des dunklen Tiers erfolgt die Einstufung dieser Szene in Kategorie c,
da der Sensor das Hindernis noch spter erfasst.
Kategorie Szene
b Leichte Linkskurve mit Fels und Huserzeile am rechten Fahrbahnrand
d berholvorgang
a Fels auf der Fahrbahn
d Scharfe Kurve ohne Hindernis
b Engstelle mit Geschwindigkeitsbegrenzung 50 km/h
d Ortschaft
a Fels auf Fahrbahn
Tabelle H.3: Szenenablauf Modul C
201
Kategorie Szene
d Viele Felsbrocken am Fahrbahnrand
a Felsbrocken mittig auf Fahrbahn
d Schlecht einsehbare Kurve
c Holzkiste auf Fahrbahn
d Ortschaft
b Scharfe Rechtskurve mit einzelnen Schildern am Fahrbahnrand zur Kurvenbeschrei-
bung
d Viele Felsbrocken am Fahrbahnrand
d berholvorgang durchfhren
a Felsbrocken auf der Fahrbahn
d Kreuzung mit Stoppschild
d Ortschaft
c Holzkiste auf der Fahrbahn
c Wildschwein auf der Fahrbahn
b Slalomparcours
c Unbeleuchtetes, stehendes Fahrzeug nach Rechtskurve
c Unbeleuchtetes, stehendes Fahrzeug in langgezogener Rechtskurve
b Ein Felsbrocken am linken Fahrbahnrand, leichte Rechtskurve
c Wildschwein auf der Fahrbahn
b Scharfe Rechtskurve ohne Hindernis
1
d Scharfe Kurve ohne Hindernis
Tabelle H.4: Szenenablauf Modul D
1
Fehlwarnung durch Haus am Fahrbahnrand
202 H. Szenarienfolge im Fahrsimulator
Anhang I
Fragebgen der Probandenstudien
Die folgenden Seiten enthalten zunchst den Fragebogen, der den Fahrern in der Fahrsi-
mulation nach der Fahrt mit dem analogen HMI vorgelegt wurde (Fragebogen nach der
Fahrt mit System A). Im Anschluss daran ist der Fragebogen zum Vergleich des analogen
HMI mit dem EUCLIDE-System wiedergegeben (Fragebogen zum Vergleich des Systems
A mit System B).
204 I. Fragebgen der Probandenstudien
Fragebogen nach der Fahrt mit System A

Proband-ID: Test-ID:

(yyyy_mm_dd_code_testno.)

Bitte beantworten Sie die folgenden Fragen gewissenhaft und mglichst unabhngig von-
einander. Wenden Sie sich bei Unklarheiten an den anwesenden Versuchsleiter.

A) Messung der Beanspruchung

Instruktion:
Markieren Sie auf den folgenden Skalen bitte, in welchem Mae Sie sich in den sechs ge-
nannten Kategorien von der vergangenen Fahrt beansprucht oder gefordert gesehen haben.
Beispiel:

Wie viel Aufmerksamkeit war erforderlich,
um das Fahrzeug in der Spur zu halten?

Wie viel Aufmerksamkeit war erforderlich,
um Hindernisse zu entdecken?

Wie schwierig war es fr Sie, die Umwelt zu
beobachten und gleichzeitig Informationen
aus dem Display wahrzunehmen?

Wie hoch war die Beanspruchung durch die
Hufigkeit der Hindernisse?

Wie schwierig war es fr Sie, gefhrliche
Fahrsituationen (ggf. unter Zuhilfenahme der
im Display dargestellten Warninformationen)
einzuschtzen?

Wie schtzen Sie Ihre Gesamtfahrleistung
ein? (Im Sinne von vermiedenen Unfllen
und zgigem Vorankommen)

Gesamtfahrleistung
Aufmerksamkeit fr Spur-
haltung
gleichzeitige Wahrneh-
mung von Umwelt und
Display
Einschtzung gefhrliche
Fahrsituationen
Hufigkeit Hindernisse
wenig viel
Aufmerksamkeit fr Entde-
ckung von Hindernissen
wenig viel
einfach unmglich
gering hoch
einfach unmglich
Misserfolg
perfekt
205
Fragebogen nach der Fahrt mit System A 2

B) Fahrsicherheit:

1) Ich habe mich whrend des Fahrens sicher gefhlt

trifft absolut
nicht zu
trifft eher
nicht zu
weder noch trifft eher
zu
trifft absolut
zu

2) Ich habe die Hindernisse auf der Strae rechtzeitig erkannt

trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

3) Ich konnte angemessen auf die Hindernisse reagieren

trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

C) System

I. Wahrnehmung - Effektivitt

1) Die visuelle Darstellung auf dem Head-Up Display war sichtbar.

trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

2) Das Head-Up Display verdeckt die Sicht auf die Fahrszene.

trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

3) Ich konnte die auf dem Head-Up Display dargestellten Informationen am
Rand meines Blickfelds wahrnehmen.
trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

4) Was war problematisch?


II. Wahrnehmung - Effizienz

5) Das System hat mich davon abgelenkt, Gefahren rechtzeitig zu erkennen.

trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

6) Mit ein bisschen bung war es fr mich einfach, die auf dem Head-Up Display
dargestellten Informationen im Augenwinkel wahrzunehmen.
trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

7) Ich musste mich stark konzentrieren, um die Informationen auf dem Display
zu erkennen.

trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

III. Wahrnehmung Zufriedenheit

8) Die Darstellung auf dem Display ist innovativ.

trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

9) Die Darstellung auf dem Display sieht ansprechend aus.

trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

10) Asfd
11) asfd
IV. Verstndnis Effektivitt

12) Die dargestellten Symbole und Informationen konnte ich immer rechtzeitig
verstehen.

trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

13) Die dargestellten Symbole und Informationen stimmten gut mit der Realitt
berein.

trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

207

14) Durch die angezeigte Entfernungsinformation konnte ich die Hindernisse
schnell erkennen.

trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

V. Verstndnis - Effizienz

15) Die Menge an gleichzeitig dargestellten Informationen war fr ein einfaches
Verstndnis der Situation aus meiner Sicht:

Zu wenig Eher zu wenig Genau richtig Eher zu viel Zu viel

16) Welche Informationen haben gefehlt / welche Informationen haben gestrt?

17) Die Anzeige des Systems war intuitiv verstndlich.
trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

VI. Reaktion Effektivitt

18) Durch das System konnte ich rechtzeitig auf gefhrliche Verkehrssituationen
reagieren.
trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

19) Das System hat mir bei der Vermeidung von Kollisionen geholfen.
trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu


VII. Reaktion Effizienz

20) Ich habe intuitiv auf das System reagiert.
trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

21) Durch das System war ich mir sicher, wie ich in den kritischen Situationen zu
reagieren hatte.
trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

22) Es war fr mich einfach, zu entscheiden, ob ich auf die Warnung des Systems
reagiere.
trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

VIII. Reaktion Zufriedenheit

23) Das System hat bei mir immer die richtige Reaktion ausgelst.
trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

24) Das System hat bei mir viele Fehlreaktionen bewirkt.
trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

IX. Generelle Systembewertung

25) Ich fand, die Informationen wurden angezeigt.

Zu frh Eher zu frh Genau richtig Eher zu spt Zu Spt

26) Die Anzeige der Informationen erfolgte meiner Meinung nach

Zu selten Eher zu selten Genau richtig Eher zu hufig Zu hufig

209

27) Ich finde, das System ist ntzlich.

trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

28) Ich finde, das System strt whrend der Fahrt.

trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

29) Ich fand es angenehm, mit dem System zu fahren.

trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

30) Ich habe dem System vertraut.

trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

31) Ich habe mich mit dem System sicher gefhlt.

trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

32) Es war fr mich einfach, den Umgang mit dem System zu erlernen.

trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

33) Ich habe verstanden, in welchen Fahrsituationen fehlerhafte Informationen
vom System ausgegeben werden.
trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

34) Bitte nennen Sie eine oder mehrere generelle Fahrsituationen, in denen feh-
lerhafte Informationen vom System ausgegeben wurden:


35) Ich habe verstanden, warum in bestimmten Fahrsituationen fehlerhafte Infor-
mationen vom System ausgegeben werden.

trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu

36) Bitte nennen Sie einen oder mehrere Grnde fr die Ausgabe von fehlerhaf-
ten Informationen:

Instruktion:
Auf den folgenden drei Bildern werden Ihnen jeweils auf der rechten Seite Fahrsi-
tuationen angezeigt. Die Fahrsituation zeigt die vom System detektierten Objekte
sowie den vorhergesagten Fahrspurverlauf. Bitte markieren Sie auf der linken
Seite im vorbereiteten Feld durch Schraffur die Segmente im Head-Up Display,
die in der entsprechenden Fahrsituation vom System aktiviert werden:

Fahrsituation 1:
Head-up Display-Darstellung: Fahrsituation:
Eigenes Fahrzeug
Hindernis
Vom System
vorhergesagte
Fahrspur

211

Fahrsituation 2:
Fahrsituation:
Eigenes Fahrzeug
Hindernis
Head-up Display-Darstellung:
Vom System
vorhergesagte
Fahrspur

Fahrsituation 3:
Fahrsituation:
Eigenes Fahrzeug
Hindernis
Vom System
vorhergesagte
Fahrspur
Head-up Display-Darstellung:

37) Insgesamt bewerte ich den Nutzen des Systems mit folgender Note:

Sehr gut (1) Gut (2) Befriedigend (3) Ausreichend (4) Mangelhaft (5)

38) Ein solches System htte ich gerne in meinem Fahrzeug.

trifft absolut
nicht zu
trifft eher
nicht zu
zu
trifft absolut
zu


39) Bitte notieren Sie, was Ihnen am System besonders positiv aufgefallen ist:

40) Bitte notieren Sie, was Ihnen am System besonders negativ aufgefallen ist:

213

41) Generelle Bemerkungen:

Fragebogen zum Vergleich des Systems A mit System B

Proband-ID: Test-ID:

(yyyy_mm_dd_code_testno.)

Instruktion:
Bitte bewerten Sie die beiden Systeme im Vergleich, indem Sie entscheiden, ob die angege-
benen Behauptungen eher fr das System A oder fr das System B zutreffen.

Zur Erinnerung:

Head-Up Display-Darstellung System A Head-Up Display-Darstellung System B

A) Verkehrssicherheit

1) Ich habe mich whrend der Fahrt mit sicher gefhlt.

System A Eher System A Beide gleich Eher System B System B

2) Ich habe whrend der Fahrt mit die Hindernisse auf der Strasse recht-
zeitig erkannt.


B) System

I. Generelle Systembewertung

1) Es war fr mich einfacher, den Umgang mit dem System zu erlernen bei:


215
Fragebogen zum Vergleich der Systeme 2

2) Es war fr mich einfacher, die Funktionalitt des Systems zu verstehen
bei:

3) Ich habe dem System eher vertraut bei:

4) Ich habe mich sicherer gefhlt bei:

5) Das System hat mich whrend der Fahrt mehr gestrt.


6) Ich fand es angenehmer, mit dem System zu fahren bei:


7) Ein solches System htte ich gerne in meinem Fahrzeug:


8) Ich htte gern ein Sichtuntersttzendes Fahrerassistenzsystem, aber es
sollte so sein:

9) Bemerkungen:

Anhang J
Grundlagen zur Erkennbarkeit einer
Warnung im Head-Up Display
Da die Informationen eines Head-Up Displays in den Sichtkanal des Fahrers eingespiegelt
werden, ist der Hintergrund, vor dem die Darstellung erfolgt, nicht vollkommen dunkel,
wie bei einem herkmmlichen Display. Es berlagern sich die Objektleuchtdichte L
O
des
im Display dargestellten Symbols sowie die Umgebungsleuchtdichte L
U
des Hintergrunds.
Nach [54] und [62] lsst sich eine Kontrastschwelle K
angeben, ab der ein stationrer

Lichtreiz einer bestimmten Gre wahrgenommen wird:
K
=
L
O
L
U
L
U
=
L
L
U
(J.1)
Mit:
K
: Schwellenkontrast
L
O
: Objektleuchtdichte (Leuchtdichte der Warnung im Display)
L
U
: Umgebungsleuchtdichte (Leuchtdichte des Hintergrunds)
L
: Unterschiedsschwelle
Basierend auf experimentellen Arbeiten von Blackwell [10], besttigt durch Adrian [2],
lsst sich der Zusammenhang zwischen der Unterschiedsschwelle (d.h., der minimalen noch
wahrnehmbaren Dierenz der Leuchtdichten von Objekt und Umfeld) und der Umfeld-
leuchtdichte gem Abbildung J.1 darstellen
1
.
Die Unterschiedsschwelle hngt nach [54] auerdem vom Sehwinkel ab, unter dem das
Objekt gesehen wird. Je grer der Sehwinkel (und damit das angezeigte Objekt), desto
kleiner ist die Unterschiedsschwelle L
. Diese logarithmische Abhngigkeit wird in der

Physiologie als Webersches und Riccosches Gesetz bezeichnet und ist in Abbildung J.2
dargestellt.
Die in Abbildung J.1 und Abbildung J.2 dargestellten Zusammenhnge lassen sich nach
[54] folgendermaen formelmig zusammenfassen:
L
=
1
2
(
_
+
b)
2
(J.2)
1
Der in Abbildung J.1 gezeigte Zusammenhang gilt fr eine Wahrnehmungswahrscheinlichkeit von
100 %. Die Wahrnehmungswahrscheinlichkeit gibt an, bei welchem prozentualen Anteil von Versuchs-
wiederholungen ein Lichtreiz gesehen wird.
218 J. Grundlagen zur Erkennbarkeit einer Warnung im Head-Up Display
Messwerte
Mittel von 6 V.P.
berechnet nach der
Berekschen Funktion
Gl. 3 mit Blackwell-
Daten und k = 3,1
Sehwinkel
=
1
'
Umfeldleuchtdichte
L
U
[cd/m]
5 5 5 5 5
5
5
5
10
-1
10
-2
10
-3
10
-4
10
-5
10
-8
10
-7
10
-6
S
c
h
w
e
l
l
e
n
w
e
r
t
E
min
[lx]
Abbildung J.1: Schwellenbeleuchtungsstrke am Auge zur Wahrnehmung eines punktarti-
gen Lichtes [2]
Objekt-Sehwinkel [min]
10
3
10
2
10 1 10
-1
10
1
10
2
10
3
10
4
U
n
t
e
r
s
c
h
i
e
d
s
s
c
h
w
e
l
l
e

L
[
c
d
/
m
]
fr
L
U
= 10
3
cd/m
2
(Webersches Gesetz)
log L = konst
tg = -2
log L = -2 log + k
L
2
= konst.
(Riccosches Gesetz)
Abbildung J.2: Unterschiedsschwelle in Abhngigkeit vom Objekt-Sehwinkel [54]
219
Die Parameter
b und
wurden von [10] experimentell ermittelt und sind abhngig von

der Umgebungsleuchtdichte
2
.
Bei bekannten Werten fr Umgebungsleuchtdichte und Sehwinkel lsst sich der Schwellen-
kontrast zur Wahrnehmung und damit die erforderliche Objektleuchtdichte L
O
ermitteln,
mit der eine Warnung im HUD angezeigt werden muss, damit sie gerade vom Fahrer wahr-
genommen wird. Typische Umgebungsleuchtdichten bei einer Nachtfahrt liegen im Bereich
10
3
cd/m
2
.
Die dargestellten Zusammenhnge sollen eine erste Abschtzung von Mindest-Leuchtdichten
ermglichen und bercksichtigen daher nicht eine mgliche Erhhung des Schwellenkon-
trasts durch Blendung sowie weitere Einsse durch den Adaptationszustand des Auges.
Zustzliche Informationen hierzu nden sich in [54] und bei [77].
2
Gebruchliche Werte fr

b und

fr verschiedene Beleuchtungszustnde sind in [54] angegeben.
220 J. Grundlagen zur Erkennbarkeit einer Warnung im Head-Up Display
Lebenslauf
Persnliche Daten:
Name: Marc Arnon
Geburtsdatum: 22.11.1976
Geburtsort: Mnchengladbach
Familienstand: verheiratet, zwei Tchter
Schulausbildung:
19831987 Gemeinschafts-Grundschule in Schwalmtal-Amern
19871996 Albertus-Magnus-Gymnasium in Viersen-Dlken
Studium:
19962003 Maschinenbaustudium an der RWTH Aachen
Berufsttigkeit:
20032006 Doktorand bei der Robert Bosch GmbH, Standort Leonberg,
Leitung des entl. gefrderten Projekts NIRWARN: Near Infrared Warning
seit 2007 Mitarbeiter der Robert Bosch GmbH, Standort Abstatt,
Residentingenieur bei der Audi AG, Ingolstadt im Bereich Fahrerassistenzsysteme

Diss A PDF

Hochgeladen von

DokumentinformationenKlicken, um Dokumentinformationen aufzuklappen

Copyright:

Verfügbare Formate

Diss A PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Diss A PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Ein neuer Systemansatz fr die

Fahrerwarnung bei Nacht

), so dass eine longitudinale

und wird auf eine

. Die Gre wuchs linear mit der perspektivi-

. In Vorversuchen wurde die

entsprechend den Vorgaben von [65]

von A nach D ab. Bei

. Zustzlich ist der tatschlich ge-

/ 188 15 0,08 99 42 0,42 21 17 0,81

/ 366 44 0,12 227 83 0,37 60 47 0,78

/s angegeben. Laut [86]

angeben, ab der ein stationrer

. Diese logarithmische Abhngigkeit wird in der

wurden von [10] experimentell ermittelt und sind abhngig von

Das könnte Ihnen auch gefallen