CARISSMA Institute of Automated Driving (C-IAD)
Refine
Document Type
- Conference Paper (132)
- Article (42)
- Part of a Compilation / Book Chapter (6)
- Book (3)
- Preprint (2)
Institute
- CARISSMA Institute of Automated Driving (C-IAD) (185)
- Human-Computer Interaction Group (HCIG) (135)
- Fakultät Informatik (128)
- Fakultät Elektro- und Informationstechnik (53)
- CARISSMA Institute of Electric, Connected and Secure Mobility (C-ECOS) (8)
- AImotion Bavaria (6)
- Fakultät Maschinenbau (2)
- Institut für Innovative Mobilität (IIMo) (1)
Review
- peer-review (130)
- nein (38)
- editorial review (4)
- ja (3)
Version
- published (51)
Es wurden bereits einige Lösungen vorgestellt, um die Kommunikation zwischen automatisierten Fahrzeugen und ungeschützten Verkehrsteilnehmern (sog. „Vulnerable Road Users“, VRUs) zu unterstützen. Noch ist jedoch unklar, ob diese Systeme den Anforderungen zukünftiger Benutzer auch gerecht werden. Ziel dieser Arbeit war es, Benutzeranforderungen von VRUs nach direktem Kontakt mit einem automatisierten Fahrzeug zu erfassen. Hierfür wurde eine Feldstudie mit 32 Teilnehmern durchgeführt. Die Resultate, welche sowohl auf subjektiven (Fragebögen, Interviews) als auch objektiven (Videoanalyse) Daten basieren, legen nahe, dass ungeschützte Verkehrsteilnehmer einfache und bekannte Konzepte (beispielsweise Ampelsysteme oder Hupen) zur Kommunikation bevorzugen. Des Weiteren wurden diverse Problemszenarien identifiziert, welche für eine Bereitstellung von automatisierten Fahrzeugen in „Shared Spaces“ von besonderer Bedeutung sind.
Da erst wenige automatisierte Fahrzeuge auf öffentlichen Straßen in Betrieb sind, ist aktuell noch unklar, ob potenzielle Nutzer diese akzeptieren und ihnen vertrauen. Um diesen Fragen nachzugehen, wurde eine Feldstudie mit 24 (jeweils zwölf älteren und jüngeren) Teilnehmern durchgeführt, wobei ein automatisiertes Fahrzeug direkt mit einem von menschlicher Hand gesteuerten Gruppentaxi verglichen wurde. Benutzerakzeptanz und -erlebnis, Vertrauen sowie subjektives Zeitempfinden wurden sowohl vor als auch nach der Fahrt mit dem jeweiligen Transportmittel mit standardisierten Messverfahren und Interviews erfasst. Die Resultate zeigen, dass automatisierte Fahrzeuge in ähnlichem Ausmaß akzeptiert werden wie auch menschliche Fahrer, jedoch gerade jüngere Probanden aufgrund der geringeren Geschwindigkeit der neuen Technologie gegenüber noch skeptisch eingestellt sind. Für diese Zielgruppe wirkte sich jedoch eine Fahrt mit dem automatisierten Fahrzeug positiv auf das Vertrauen aus. Eine Berücksichtigung der gewonnenen Erkenntnisse ist für eine weitere Implementierung der Technologie zu empfehlen.
The use of actor-critic algorithms can improve the controllers currently implemented in automotive applications. This method combines reinforcement learning (RL) and neural networks to achieve the possibility of controlling nonlinear systems with real-time capabilities. Actor-critic algorithms were already applied with success in different controllers including autonomous driving, antilock braking system (ABS), and electronic stability control (ESC). However, in the current researches, virtual environments are implemented for the training process instead of using real plants to obtain the datasets. This limitation is given by trial and error methods implemented for the training process, which generates considerable risks in case the controller directly acts on the real plant. In this way, the present research proposes and evaluates an open-loop training process, which permits the data acquisition without the control interaction and an open-loop training of the neural networks. The performance of the trained controllers is evaluated by a design of experiments (DOE) to understand how it is affected by the generated dataset. The results present a successful application of open-loop training architecture. The controller can maintain the slip ratio under adequate levels during maneuvers on different floors, including grounds that are not applied during the training process. The actor neural network is also able to identify the different floors and change the acceleration profile according to the characteristics of each ground.
Variational Autoencoder-Based Vehicle Trajectory Prediction with an Interpretable Latent Space
(2021)