Dambier, Michael:
ISBN 9783862470426

Adaptive Information Flow Control. Recognition and Prediction of Factors Contributing to Driver's Stress # Pb. 392 S., 125 Abb., davon 95 in Farbe, 86 Tab., davon 5 in Farbe

SCHLAGWORTE:
Fahrmanöverdriving maneuver
Verkehrsdichtetraffic density
Fahrerbelastungdriver stress
Fahrerbeanspruchung
driver strain
Fahrsituation
driving situation

Die Erkennung und Prädiktion von Belastungen des Autofahrers ist Hauptbestandteil dieser Arbeit. Basis dafür ist eine Strukturierung der Belastungsfaktoren in Straßentyp, Straßencharakteristik, Fahrzeugumgebung, Wetter und Straßenzustand, Fahrmanöver und Nebenaufgaben. Zur Erkennung und Prädiktion von Fahrmanövern und Verkehrsdichte werden in einer manöverbezogenen Daten-Analyse die spezifische Merkmale für jedes einzelne Fahrmanöver identifiziert. Auf Basis dieser Merkmale wird die Klassifikation über die kombinierten Methoden "Entscheidungsbäume" und "Random Forests" durchgeführt, wobei auch die durchschnittlichen Fahrmanöver-Dauern und Übergangswahrscheinlichkeiten zwischen einzelnen Fahrmanövern berücksichtigt werden. Zusätzlich wird ein Prädiktor für Fahrmanöver vorgeschlagen, der die Wahrscheinlichkeiten von Fahrmanöver-Sequenzen unterschiedlicher Länge bewertet. Für die (realistische) Annahme, dass die Verkehrsdichte die Auswahl an möglichen Fahrmanövern durch den Autofahrer beeinflusst, wird ein Verfahren zur Verkehrsdichteschätzung realisiert. Zwei umfangreiche Fahrversuche im realen Straßenverkehr lieferten die notwendigen Daten für die Arbeit.

The work addresses the factors contributing to driver's stress and strain. First, stress factors are identified by a comprehensive literature review and structured into the topics 'road type', 'road characteristic', 'vehicle environment', 'weather and resulting road condition', 'driving maneuvers', and 'secondary tasks'. On this base, the recognition and prediction of driving maneuvers and the estimation of the traffic density in the vicinity of a vehicle (as a possible application of driving maneuver recognition) are designed. Maneuver specific features for classification are derived on the basis of analytical decomposition of each driving maneuver as well as on an extensive maneuver related statistical data analysis. Using these features, an approach combining the methods 'decision tree' and 'Random Forest' is realized for the recognition of the single driving maneuvers. The final classification also considers the average maneuver durations and maneuver transition probabilities. Additionally, a maneuver prediction algorithm is shown using probabilities of maneuver sequences of different length. Based on the assumption that traffic density has a strong impact on the set of executed driving maneuvers, a traffic density estimation can be performed using driving maneuver recognition. Two comprehensive real drive experiments were conducted on public roads to obtain the data necessary to conduct this PhD project.

	^