Zur Seitenansicht
 

Titelaufnahme

Titel
Predictive vehicle control for stochastic risk constrained advanced driver assistance systems / submitted by DI Dominik Moser, BSc
Weitere Titel
Prädiktive Fahrzeugregelung für stochastische risikobeschränkte Fahrassistenzsysteme
AutorInnenMoser, Dominik
Beurteiler / Beurteilerindel Re, Luigi ; Shorten, Robert
Betreuer / Betreuerindel Re, Luigi
ErschienenLinz, May 2017
Umfangxv, 137 Seiten : Illustrationen
HochschulschriftUniversität Linz, Dissertation, 2017
Anmerkung
Zusammenfassung in deutscher Sprache
Abweichender Titel laut Übersetzung der Verfasserin/des Verfassers
SpracheEnglisch
Bibl. ReferenzOeBB
DokumenttypDissertation
Schlagwörter (DE)Fahrzeugregelung / autonomes Fahren / prädiktive Regelung / Treibstoffverbrauch / Wahrscheinlichkeitsnetze / Prädiktion / Verkehrssimulation
Schlagwörter (EN)vehicle control / autonomous driving / predictive control / fuel consumption / probabilistic networks / prediction / traffic simulation
Schlagwörter (GND)Fahrzeug / Fahrerassistenzsystem / Prädiktive Regelung / Kraftstoff / Wahrscheinlichkeitsnetz
URNurn:nbn:at:at-ubl:1-16448 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist gemäß den "Hinweisen für BenützerInnen" verfügbar
Dateien
Predictive vehicle control for stochastic risk constrained advanced driver assistance systems [10.55 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Englisch)

Automated driving strategies are capable to improve safety, efficiency and comfort of traffic. To realize their potential, suitable control algorithms are required to steer the vehicle in such a way that the aforementioned goals are reached. Unfortunately, there is high uncertainty in terms of the assessment of the traffic situation but also due to the non deterministic behavior of surrounding human traffic participants. This work investigates a predictive and fuel efficient Advanced Driver Assistance System that controls the longitudinal motion of the vehicle. For this reason, the future motion of the surrounding traffic participants is predicted using data-based, stochastic prediction models. Beside actual measurements of the vehicles environment-perception sensors, the utilization of vehicle-to-vehicle and infrastructure-to-vehicle communication is proposed to increase the prediction accuracy. The estimated probability distribution functions of the surrounding vehicles future motion are incorporated into a stochastic model predictive control algorithm that computes the fuel-optimal trajectory. In order to improve safety, the prediction uncertainty is considered by imposing chance constraints on a risk function to the surrounding traffic participants. The potential benefits of this approach are demonstrated for an Adaptive Cruise Control application which is evaluated on a single-lane road with traffic lights and on a multi-lane road with frequent lane changes. The evaluations indicate a significant improvement of fuel-efficiency and safety in comparison to non-predictive Adaptive Cruise Control approaches.

Zusammenfassung (Deutsch)

Automatisiertes Fahren hat das Potential Sicherheit, Effizienz und Komfort des Individualverkehrs zu verbessern. Um dieses Potential zu realisieren, bedarf es intelligenter Regelungsalgorithmen, welche in der Lage sind ein Fahrzeug so zu steuern, dass die oben genannten Ziele erreicht werden können. Eine zentrale Herausforderung ist dabei der Umgang mit der immanenten Unsicherheit, die bei der Einschätzung der Verkehrssituation und dem Abschätzen ihrer zukünftigen Entwicklung vorliegt. Diese Arbeit befasst sich mit der Entwicklung eines Fahrassistenzsystems, welches das Fahrzeug prädiktiv und treibstoffoptimal steuert. Dafür werden laufend die künftigen Trajektorien der umliegenden Verkehrsteilnehmer mittels eines datenbasierten, stochastischen Modelles prädiziert. Als Grundlage werden sowohl aktuelle Messungen der Sensoren als auch Fahrzeug-zu-Fahrzeug bzw. Infrastruktur-zu-Fahrzeug Kommunikationsmittel verwendet. Die geschätzten Verteilungsfunktionen der künftigen Bewegung umliegenden Verkehrsteilnehmer werden in einer stochastischen, modell-prädiktiven Regelung genutzt. Der Regler berechnet die treibstoffoptimale Längsführung, wobei eine festgelegte Risikofunktion, welche die den Abstand zu den umliegenden Verkehrsteilnehmern definiert, mit einer festgelegten Wahrscheinlichkeit nicht überschritten wird. Die potentiellen Vorteile dieses Ansatzes werden am Beispiel eines prädiktiven, adaptiven Fahrgeschwindigkeitsreglers demonstriert. Der Ansatz wird einerseits in einer einspurigen Verkehrssituation mit mehreren geregelten Kreuzungen und andererseits in einer mehrspurigen Verkehrssituation mit häufigen Spurwechsel evaluiert. Die Ergebnisse der Evaluierungen zeigen eine signifikante Verbesserung der Treibstoffeffizienz als auch der Sicherheit im Vergleich zu nicht prädiktiven adaptiven Fahrgeschwindigkeitsreglern.

Statistik
Das PDF-Dokument wurde 18 mal heruntergeladen.