Advertisement

Forschung im Ingenieurwesen

, Volume 83, Issue 2, pp 149–161 | Cite as

Prediction of highway lane changes based on prototype trajectories

  • David AugustinEmail author
  • Marius Hofmann
  • Ulrich Konigorski
Originalarbeiten/Originals
  • 361 Downloads

Abstract

The vision of automated driving is to increase both road safety and efficiency, while offering passengers a convenient travel experience. This requires that autonomous systems correctly estimate the current traffic scene and its likely evolution. In highway scenarios early recognition of cut-in maneuvers is essential for risk-aware maneuver planning. In this paper, a statistical approach is proposed, which advantageously utilizes a set of prototypical lane change trajectories to realize both early maneuver detection and uncertainty-aware trajectory prediction for traffic participants. Generation of prototype trajectories from real traffic data is accomplished by Agglomerative Hierarchical Clustering. During clustering, the alignment of the cluster prototypes to each other is optimized and the cohesion of the resulting prototype is limited when two clusters merge. In the prediction stage, the similarity of observed vehicle motion and typical lane change patterns in the data base is evaluated to construct a set of significant features for maneuver classification via Boosted Decision Trees. The future trajectory is predicted combining typical lane change realizations in a mixture model. B‑splines based trajectory adaptations guarantee continuity during transition from actually observed to predicted vehicle states. Quantitative evaluation results demonstrate the proposed concept’s improved performance for both maneuver and trajectory prediction compared to a previously implemented reference approach.

Prädiktion von Fahrstreifenwechselmanövern basierend auf prototypischen Trajektorien

Zusammenfassung

Die Vision des automatisierten Fahrens ist es, sowohl die Verkehrssicherheit als auch die Effizienz zu erhöhen und gleichzeitig den Fahrgästen ein komfortables Reiseerlebnis zu bieten. Dies erfordert, dass autonome Systeme die aktuelle Verkehrssituation und deren wahrscheinliche Entwicklung korrekt einschätzen. In Autobahnszenarien ist die frühzeitige Erkennung von Einschermanövern für eine risikobewusste Manöverplanung unerlässlich. In diesem Beitrag wird ein statistischer Ansatz präsentiert, der eine Reihe von prototypischen Fahrstreifenwechsel-Trajektorien nutzt, um sowohl eine frühzeitige Manövererkennung als auch eine Trajektorienvorhersage für Verkehrsteilnehmer unter Berücksichtigung von Unsicherheiten zu realisieren. Die Generierung von Prototyptrajektorien aus realen Verkehrsdaten erfolgt durch Agglomerative Hierarchical Clustering. Während des Clusterings wird die Ausrichtung der Cluster-Prototypen zueinander optimiert und die Kohäsion des resultierenden Prototypen bei der Fusion zweier Cluster beschränkt. Im Zuge der Prädiktion werden die Ähnlichkeiten der beobachteten Fahrzeugbewegungen zu typischen Spurwechselmustern in der Datenbank ausgewertet, um signifikante Merkmale für die Manöverklassifizierung mittels Boosted Decision Trees zu konstruieren. Die zukünftige Trajektorie wird vorhergesagt, indem typische Fahrstreifenwechselrealisierungen in einem Mischungsmodell kombiniert werden. B‑Splines-basierte Trajektorienanpassungen garantieren Kontinuität an den Übergängen von beobachteten zu vorhergesagten Fahrzeugzuständen. Quantitative Bewertungsergebnisse zeigen, dass das vorgeschlagenen Konzept die Ergebnisse sowohl für die Manöver- als auch für die Trajektorienvorhersage im Vergleich zu einem zuvor implementierten Referenzansatz verbessert.

References

  1. 1.
    On-Road Automated Driving (ORAD) committee (2014) Taxonomy and Definitions for Terms Related to On-Road Motor Vehicle Automated Driving Systems.  https://doi.org/10.4271/J3016_201401
  2. 2.
    Lefèvre S, Vasquez D, Laugier C (2014) A survey on motion prediction and risk assessment for intelligent vehicles. Robomech J 1(1):1CrossRefGoogle Scholar
  3. 3.
    Liebner M, Klanner F (2015) Fahrerabsichtserkennung und Risikobewertung. In: Winner H, Hakuli S, Lotz F, Singer C (eds) Handbuch Fahrerassistenzsysteme. Springer, Wiesbaden, pp 701–719CrossRefGoogle Scholar
  4. 4.
    Schreier M, Willert V, Adamy J (2016) An integrated approach to maneuver-based trajectory prediction and criticality assessment in arbitrary road environments. IEEE Trans Intell Transp Syst 17(10):2751–2766CrossRefGoogle Scholar
  5. 5.
    Wyder T, Schildbach G, Lefevre S, Borrelli F (2015) A bayesian filter for modeling traffic at stop intersections. In: Intelligent Vehicles Symposium IEEE. vol 5, pp 1252–1257Google Scholar
  6. 6.
    Houenou A, Bonnifait P, Cherfaoui V, Yao W (2013) Vehicle trajectory prediction based on motion model and maneuver recognition. In: Intelligent Robots and Systems (IROS) 2013 IEEE/RSJ International Conference, pp 4363–4369Google Scholar
  7. 7.
    Bahram M, Hubmann C, Lawitzky A, Aeberhard M, Wollherr D (2016) A combined model-and learning-based framework for interaction-aware maneuver prediction. IEEE Trans Intell Transp Syst 17(6):1538–1550CrossRefGoogle Scholar
  8. 8.
    Bahram M (2017) Interactive maneuver prediction and planning for highly automated driving functions. Technische Universität München, München (Dissertation)Google Scholar
  9. 9.
    Vasquez D, Fraichard T (2004) Motion prediction for moving objects: a statistical approach. In: Robotics and Automation, 2004. Proceedings ICRA’04. 2004 IEEE International Conference. vol 4. IEEE, New Orleans, pp 3931–3936Google Scholar
  10. 10.
    Augustin D, Hofmann M, Konigorski U (2018) Motion pattern recognition for maneuver detection and trajectory prediction on highways. 2018 IEEE International Conference on Vehicular Electronics and Safety (ICVES), Madrid, 2018, pp. 1–8.  https://doi.org/10.1109/ICVES.2018.8519494
  11. 11.
    Tan P‑N, Steinbach M, Kumar V (2005) Introduction to data mining. Pearson, BostonGoogle Scholar
  12. 12.
    Hubert M, Van Driessen K (2004) Fast and robust discriminant analysis. Comput Stat Data Anal 45(2):301–320MathSciNetCrossRefzbMATHGoogle Scholar
  13. 13.
    Murphy KP (2012) Machine learning: a probabilistic perspective. Adaptive computation and machine learningzbMATHGoogle Scholar
  14. 14.
    Verboven S, Hubert M (2010) Matlab library libra, Wiley interdisciplinary reviews. Comput Stat 2(4):509–515CrossRefGoogle Scholar
  15. 15.
    Bishop CM (2006) Pattern recognition and machine learning (information science and statistics). Springer, Berlin, HeidelbergzbMATHGoogle Scholar
  16. 16.
    Freund Y, Schapire RE (1997) A decision-theoretic generalization of on-line learning and an application to boosting. J Comput Syst Sci 55(1):119–139MathSciNetCrossRefzbMATHGoogle Scholar
  17. 17.
    Caruana R, Niculescu-Mizil A (2006) An empirical comparison of supervised learning algorithms. In: Proceedings of the 23rd international conference on Machine learning ACM, pp 161–168Google Scholar
  18. 18.
    Bar-Shalom Y, Li XR, Kirubarajan T (2004) Estimation with applications to tracking and navigation: theory algorithms and software. John Wiley & Sons, New YorkGoogle Scholar
  19. 19.
    Piegl L, Tiller W (2012) The NURBS book. Springer, Business MediazbMATHGoogle Scholar
  20. 20.
    Marsh D (2006) Applied geometry for computer graphics and CAD. Springer, Berlin HeidelbergzbMATHGoogle Scholar

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Opel Automobile GmbHRüsselsheimGermany
  2. 2.Institute of Automatic Control and MechatronicsTechnische Universität DarmstadtDarmstadtGermany

Personalised recommendations