Jump to ContentJump to Main Navigation
Show Summary Details
More options …

at - Automatisierungstechnik

Methoden und Anwendungen der Steuerungs-, Regelungs- und Informationstechnik

[AT - Automation Technology: Methods and Applications of Control, Regulation, and Information Technology
]

Editor-in-Chief: Jumar, Ulrich

12 Issues per year


IMPACT FACTOR 2017: 0.503

CiteScore 2017: 0.47

SCImago Journal Rank (SJR) 2017: 0.212
Source Normalized Impact per Paper (SNIP) 2017: 0.546

Online
ISSN
2196-677X
See all formats and pricing
More options …
Volume 66, Issue 2

Issues

Overview of HAD validation and passive HAD as a concept for validating highly automated cars

Überblick über Methoden zur Validierung des hochautomatisierten Fahrens und Vorstellung des passiven HAF als Konzept zur Validierung von hochautomatisierten Fahrzeugen

Alexander Koenig / Kathrin Witzlsperger / Florin Leutwiler / Sören Hohmann
Published Online: 2018-02-10 | DOI: https://doi.org/10.1515/auto-2017-0113

Abstract

Highly automated driving (HAD) is under rapid development and will be available for customers within the next years. However, the evidence that HAD is at least as safe as human driving has still not been produced. The first part of this paper gives an overview over current approaches of validation and elaborates on the main challenges associated with them. In the second part, the Passive HAD approach is presented, which proposes a statistical validation of HAD by utilizing a fraction of the billions of kilometers driven every year by common drivers. To guarantee safety, the HAD function has access to sensors but its output is not executed, which results in an open loop problem. The loop is closed by a simulation which is based on the real life scenario and driver models individually matched to the surrounding traffic participants.

Zusammenfassung

Die Entwicklung hochautomatisierten Fahrens (HAF) schreitet rasant voran, sodass es innerhalb der nächsten Jahre Kunden zur Verfügung stehen wird. Allerdings konnte bisher nicht der Nachweis erbracht werden, dass HAF mindestens so sicher wie menschliches Fahren ist. Der erste Teil dieses Artikels gibt einen Überblick über aktuelle Ansätze zur Validierung des HAF und erörtert die damit verbundenen größten Herausforderungen. Im zweiten Teil des Artikels wird das Konzept Passives HAF vorgestellt, das eine statistische Überprüfung umsetzt, die einen Teil der Milliarden jährlich gefahrenen Kilometer nutzt. Die HAF-Funktion hat dabei Zugriff auf die Sensorik. Jedoch werden deren Befehle nicht ausgeführt, um die Sicherheit aller Verkehrsteilnehmer zu gewährleisten. Das führt zu einem offenen Regelkreis, der mithilfe einer Simulation geschlossenen wird. Diese basiert auf einem aus der realen Szene abgeleiteten Szenario sowie Fahrermodellen, die den Umgebungsfahrzeugen zugeordnet werden.

Keywords: Highly Automated Driving; Safety; Validation; Verification; Statistic Validation

Schlagwörter: Hochautomatisiertes Fahren; Sicherheit; Validierung; Verifikation; statistische Validierung

References

  • 1.

    Althoff, M.; Dolan, J. M.: Online verification of automated road vehicles using reachability analysis. In: IEEE Transactions on Robotics 30 (2014), Nr. 4, S. 903–918.CrossrefWeb of ScienceGoogle Scholar

  • 2.

    ADAC e.v. Ressort Verkehr; ADAC e.v. (Hrsg.): Zahlen, Fakten, Wissen. Aktuelles aus dem Verkehr. München, 2015.Google Scholar

  • 3.

    Bayerische Motoren Werke Aktiengesellschaft: Geschäftsbericht 2016. (2017).Google Scholar

  • 4.

    BGB: Achtes Gesetz zur Änderung des Straßenverkehrsgesetzes. In: Bundesgesetzblatt 2017 (2017), Nr. I/38, S. 1648–1650.Google Scholar

  • 5.

    Bundesministerium für Verkehr und digitale Infrastruktur: Verkehr in Zahlen 2016–2017. 2017.Google Scholar

  • 6.

    Christen, F.; Huang, Q.: The driver model of the traffic flow simulation PELOPS–modelling and application possibilities. In: 2nd Berlin Expert Conference on Driver Modelling “Driver Modelling in Science and Economy”. 2008, S. 1–16.Google Scholar

  • 7.

    Christen, F.: Pelops Whitepaper: Vorlage für ika und fka Berichte deutsch. 09.01.2015 (2015).Google Scholar

  • 8.

    Deutscher Verkehrssicherheitsrat (Hrsg.): Schriftenreihe Verkehrssicherheit. Bd. 16, Vision Zero: Grundlagen & Strategien. 2012.Google Scholar

  • 9.

    Deng, W.; Lee, Y. H.; Zhao, A.: Hardware-in-the-loop simulation for autonomous driving. In: 34th Annual Conference of IEEE Industrial Electronics, 2008, IEEE, 2008. – ISBN 978–1–4244–1767–4, S. 1742–1747.Google Scholar

  • 10.

    Driverless car market watch: Autonomous car forecasts. http://www.driverless-future.com/?page_id=384. Version: 2017-10-26.Google Scholar

  • 11.

    Ethik-Kommission; Di Fabio, U. (Hrsg.): Automatisiertes und vernetztes Fahren. 06.2017.Google Scholar

  • 12.

    Fawcett, T.: An introduction to ROC analysis. In: Pattern Recognition Letters 27 (2006), Nr. 8, S. 861–874.Web of ScienceCrossrefGoogle Scholar

  • 13.

    Feldhütter, A.; Gold, C.; Schneider, S.; Bengler, K.: How the duration of automated driving influences take-over performance and gaze behavior. In: Advances in Ergonomic Design of Systems, Products and Processes. Springer, 2017, S. 309–318.Google Scholar

  • 14.

    Glauner, P.; Blumenstock, A.; Haueis, M.: Effiziente Felderprobung von Fahrerassistenzsystemen. In: UNI DAS eV (ed.) 8 (2012), S. 5–14.Google Scholar

  • 15.

    Hagan, M. T.; Demuth, H. B.; Beale, M. H.; Jesús, O. de: Neural Network Design. 2nd ed. [S. l.:s. n.], 2016. – ISBN 0971732116.Google Scholar

  • 16.

    Helmer, T.; Kompass, K.; Wang, L.; Kühbeck, T.; Kates, R.: Safety performance assessment of assisted and automated driving in traffic: simulation as knowledge synthesis. In: Watzenig, D. (Hrsg.); Horn, M. (Hrsg.): Automated Driving: Safer and More Efficient Future Driving. Cham: Springer International Publishing, 2017. – ISBN 978–3–319–31895–0, S. 473–494.Google Scholar

  • 17.

    Institut für Kraftfahrwesen: Pelops Whitepaper. http://www.fka.de/pdf/pelops_whitepaper.pdf. Version: 2007.Google Scholar

  • 18.

    International Organization for Standardization: International Standard Road vehicles – Functional safety. 2011.Google Scholar

  • 19.

    Koenig, A.; Gutbrod, M.; Ludwig, J.; Hohmann, S.: Bridging the gap between open loop tests and statistical validation for highly automated driving. In: Proc. of SAE World Congress. 2017.Google Scholar

  • 20.

    Koenig, A.; Rehder, T.; Hohmann, S.: Exact inference and learning in hybrid Bayesian Networks for lane change intention classification. In: 2017 IEEE Intelligent Vehicles Symposium (IV), IEEE, 2017. – ISBN 978–1–5090–4804–5, S. 1535–1540.Google Scholar

  • 21.

    Henzel, M.; Winner, H.; Lattke, B.: Herausforderungen in der Absicherung von Fahrerassistenzsystemen bei der Benutzung maschinell gelernter und lernender Algorithmen. In: Bengler, K. (Hrsg.): 11. Workshop Fahrerassistenzsysteme und automatisiertes Fahren. Bd. 11, 2017. – ISBN 978–3–00–055656–2, S. 136–148.Google Scholar

  • 22.

    Møller, M. F.: A scaled conjugate gradient algorithm for fast supervised learning. In: Neural networks 6 (1993), Nr. 4, S. 525–533.CrossrefGoogle Scholar

  • 23.

    National Highway Traffic Safety Administration: National Motor Vehicle Crash Causation Survey: DOT HS 811 059. Virginia, 07.2008.Google Scholar

  • 24.

    Pfeffer, R.; Leichsenring, T.: Continuous development of highly automated driving functions with vehicle-in-the-loop using the example of Euro NCAP scenarios. In: Gühmann, C. (Hrsg.); Riese, J. (Hrsg.); Rüden, K. von (Hrsg.): Simulation and Testing for Vehicle Technology. Cham: Springer International Publishing, 2016. – ISBN 978–3–319–32344–2, S. 33–42.Google Scholar

  • 25.

    SAE On-Road Automated Vehicle Standard Committee: Taxonomy and Definitions for Terms Related to On-Road Motor Vehicle Automated Driving Systems. 16.01.2014.Google Scholar

  • 26.

    Statistisches Bundesamt: Verkehrsunfälle – Fachserie 8 Reihe 7 – 2015 – Aktualisierung vom 12.10.2016. 2015.Google Scholar

  • 27.

    Wachenfeld, W. H. K.: How Stochastic can Help to Introduce Automated Driving. Darmstadt, Technische Universität Darmstadt, Diss., 01.01.2017.Google Scholar

  • 28.

    Winner, H.; Hakuli, S.; Wolf, G.: Handbuch Fahrerassistenzsysteme: Grundlagen, Komponenten und Systeme für aktive Sicherheit und Komfort: mit 550 Abbildungen und 45 Tabellen. 2. Auflage. Springer, 2012. – ISBN 978–3–8348–1457–9.Google Scholar

  • 29.

    Wiedemann: Simulation des Straßenverkehrsflusses. 1974.Google Scholar

  • 30.

    Winner, H.; Wachenfeld, W.: Absicherung automatischen Fahrens. München, 29.11.2013 (6. FAS-Tagung München).

  • 31.

    Wachenfeld, W. (Hrsg.); Winner, H. (Hrsg.): Virtual Assessment of Automation in Field Operation A New Runtime Validation Method. 2015.Google Scholar

  • 32.

    Yang, H.: Simulation-Based Evaluation of Traffic Safety Performance using Surrogate Safety Measures. 2012.Google Scholar

  • 33.

    Zhang, Y.; Antonsson, E. K.; Grote, K.: A new threat assessment measure for collision avoidance systems. In: Intelligent Transportation Systems Conference, 2006. ITSC’06. IEEE, 2006, S. 968–975.Google Scholar

  • 34.

    Zlocki, A.; Eckstein, L.: Combined methods for an effective evaluation of automated driving functions. In: TRBs Second Annual Workshop on Road Vehicle Automation. Stanford, 2013.Google Scholar

About the article

Alexander Koenig

Alexander Koenig graduated in Stuttgart with a diploma of Engineering Cybernetics. He commenced a Ph.D. course in electrical engineering at Karlsruhe Institute of Technology in 2014 and is currently works on-site at BMW AG in Munich, specializing on testing and validation of highly automated driving.

Kathrin Witzlsperger

Kathrin Witzlsperger graduated from the University of Applied Sciences Munich with a Bachelor’s degree in Scientific Computing. She is currently doing her Master’s degree in Data Science at the Ludwig-Maximilians-Universität (LMU) in Munich.

Florin Leutwiler

Florin Leutwiler received his Bachelor degree in Mechanical Engineering at ETH Zurich. Besides his current work on a Masters degree in Mechanical Engineering at ETH Zurich, he supports embotech AG in Zurich, developing software for safe autonomous driving.

Sören Hohmann

Sören Hohmann studied electrical engineering at the Technische Universität Braunschweig, University of Karlsruhe and école nationale supérieure d’électricité et de mécanique Nancy. He received the diploma degree (1997) and Ph.D. degree (2002) from University of Karlsruhe. Afterwards, until 2010 he worked in the industry for BMW, Munich, where his last position was head of the predevelopment and series development of active safety systems. Today he is the head of the Institute of Control Systems at the Karlsruhe Institute of Technology, Germany as well as a directors board member of the research center for information technology (FZI), Karlsruhe. His research interests are cooperative control, alternative energies and system guarantees by design.


Received: 2017-11-10

Accepted: 2018-01-16

Published Online: 2018-02-10

Published in Print: 2018-02-23


Citation Information: at - Automatisierungstechnik, Volume 66, Issue 2, Pages 132–145, ISSN (Online) 2196-677X, ISSN (Print) 0178-2312, DOI: https://doi.org/10.1515/auto-2017-0113.

Export Citation

© 2018 Walter de Gruyter GmbH, Berlin/Boston.Get Permission

Comments (0)

Please log in or register to comment.
Log in