Fahrerassistenzsysteme (FAS – englisch: Advanced Driver Assistance Systems (ADAS)) sind elektronische Zusatzeinrichtungen in Kraftfahrzeugen zur Unterstützung des Fahrers in bestimmten Fahrsituationen. Hierbei stehen oft Sicherheitsaspekte, aber auch die Steigerung des Fahrkomforts im Vordergrund. Ein weiterer Aspekt ist die Verbesserung der Ökonomie.
Fahrerassistenzsysteme leisten seit einigen Jahren einen wesentlichen Beitrag zur aktiven Sicherheit im Straßenverkehr. Anders als passive Sicherheitssysteme (wie Airbag, Gurtstraffer usw.) versuchen sie Unfälle erst gar nicht entstehen zu lassen. Das ist gar nicht so leicht! Auch wenn es viele nicht wahrhaben wollen, aber es gibt eine erschreckende Zahl: 90.
Offensichtlich hat die Verkehrssicherheit ein großes Problem: Menschen werden schwer verletzt oder sterben, weil andere Menschen Fehler machen. Sei es, dass sie Geschwindigkeiten oder Abstände falsch einschätzen, dass sie mit der Fahrsituation überfordert sind oder das sie schlichtweg emotional reagieren und Verletzungen riskieren.
Neuwagen können mit einer großen Anzahl an Fahrerassistenzsysteme ausgestattet werden, bishin zu teilautomatisierten Fahrfunktionen. Der Weg zum selbstfahrenden Auto ist zwar noch lang, aber der Weg dahin wird beschritten. Nicht zuletzt die Versicherer machen Druck, denn Unfälle kosten Geld. Schön wäre es doch, wenn man auch ältere Fahrzeuge mit moderner Technik ausstatten könnte. Ein nachrüstbares System auf dem Markt ist das Mobileye Kamerasystem.
Nachfolgend ein kurzer, technischer Test des Systems aus Sicht eines Entwicklers.
Prof. Amnon Shashua ist Co-founder & CTO von Mobileye und er sprach auf der Deutsche Bank Global Auto Industry Conference.
Quelle: Screenshot aus Vortrag Prof. Shashua auf dem Deutsche Bank Global Auto Industry Conference 2015
Er spricht über die historische Entwicklung der Computer Vision für Fahrerassistenzsysteme und auch die zukünftige. So wird beispielsweise dieses Jahr ein automatischer Notbremsassistent bei Audi eingeführt, welcher nur mit Computer Vision als Sensorik funktioniert. Bisher ein klassisches Betätigungsfeld für Radarsensorik oder Lidar.
Er spricht außerdem über False-Positive (d.h. es gibt kein Hindernis, das System hat aber etwas erkannt und ausgelöst) und False-Negative (d.h. es gab ein Hindernis, das Computer Vision System hat es aber nicht erkannt) Auswirkungen für die Detektion von Ereignissen.
Quelle: Screenshot aus Vortrag Prof. Shashua auf dem Deutsche Bank Global Auto Industry Conference 2015
Außerdem wird auf die Fortschritte der Straßenverlaufs- und Hinderniserkennung bei Nacht eingegangen.
Ebenfalls wird auf die Erkennung von Straßeneigenschaften, d.h. Schlaglöcher oder Schwellen, eingegangen. Diese können relativ genau erkannt und das Fahrwerk bzw. die Geschwindigkeit darauf angepasst werden. Dies wird spätestens bei autonomer Fahrt interessant.
Videosensorik erkennt Straßenunebenheiten. Quelle: Screenshot aus Vortrag Prof. Shashua auf dem Deutsche Bank Global Auto Industry Conference 2015
Um das Fahrzeug in der Umgebung sicher bewegen zu können, gibt es verschiedene Ansätze. Google beispielsweise fährt umher und scannt einfach die gesamte Stadt mit 360° Laserscannern in riesigen Punktwolken ab, welche dann zu 3D Modellen zusammen gesetzt werden. Daraus können Straßen, Hindernisse, Ampeln, Bordsteine, Einfahrten etc. extrahiert werden.
Genau auf der anderen Seite der Möglichkeiten steht, gar keine Daten zu sammeln, sondern nur Sensoren immer schauen zu lassen, wie es denn gerade aussieht.
Doch all diese Step-by-Step Verbesserungen reichen nicht, um autonome Fahrt realisieren zu können. Dafür muss ein großer, riesiger Schritt getan werden.
Prof. Shashua spricht über Deep Learning und das MobileEye seit 2 Jahren an der Nutzung von Deep Learning Algorithmen (genauer: Deep Convolutional Networks) für die Umfeldsensorik arbeitet. Dabei war vor allem das Problem der vielen (kleinen) Operationen (mathematischen Faltungen = Convolutions) die Herausforderung, was aber mit dem neuen EyeQ3 Chip wohl gelöst sei.
Videosensorik, angelernt mit Deep Learning markiert Pixelgenau, was freier Raum (grün), Fahrbahnbegrenzung (rot), Front/Heck anderer Fahrzeuge (blau) oder Seite anderer Fahrzeuge (pink) ist. Quelle: Screenshot aus Vortrag Prof. Shashua auf dem Deutsche Bank Global Auto Industry Conference 2015
Mit angelernten neuronalen Netzen war es möglich Fahrspuren zu erkennen, selbst wenn keine Fahrbahnmarkierungen zu ‘sehen’ waren. Außerdem erkennt das Netz freie Fahrbahn, Fahrzeuge und Straßenbegrenzungen. Siehe auch ‘Es beginnt selbst zu lernen…‘
Dies ist keine Zukunftsmusik, so Shashua, es wird dieses Jahr einen Fahrzeughersteller geben, der dies in Serie heraus bringen wird. Und er sprach viel über Tesla in diesem Vortrag. :)
Sein Fazit ist, dass die Computer Vision die Sensorik für Fahrerassistenzsysteme werden wird, Radar und Laserscanner nur zur Redundanz bzw. Absicherung eingesetzt werden, falls der Fahrzeughersteller diese Kosten auf sich nimmt. Denn Computer Vision Sensorik ist die mit Abstand günstigste.
Nungut, bei Nebel sieht ein Computer Vision System auch nichts, da muss das Radar die Abstandsinformation liefern.
Lange Rede, kurzer Sinn, hier der Vortrag:
Errata: In der ursprünglichen Fassung des Artikels war die Beschreibung für False-Positive und False-Negative vertauscht.
Um Autos zu entwickeln, die selbstständig fahren, braucht man freie Bahn. In einigen US-Bundesstaaten mit ihren breiten Straßen und dem ruhigen Verkehr ist das seit 2014 möglich. In Europa mit seinem hohen Autoaufkommen und den engen Fahrspuren tut man sich da schwerer. Das Bundesverkehrsministerium wartet ab.
Dieser Podcast beschäftigt sich mit dem aktuellen Stand der Serienforschung am Beispiel eines Volkswagens. Es wird auf das Wiener Übereinkommen eingegangen als auch auf Deep Learning Algorithmen (Neuronale Netze) zur Lösung von komplexen Problemen des tatsächlichen innerstädtischen Verkehrs.
DeutschlandfunkPrädikat: Hörenswert!
Titelbild: CC-BY-NC2.0 Lizenz von flickr.com Brook Ward – “Self Portrait“
Es ist schon lange davon zu lesen, dass die Art der Softwaregestaltung maßgeblich die Charakteristik des Autos, je nach Hersteller, prägt. Ein Daimler wird das ESP wohl eher soft und sicher auslegen, ein Porsche wohl eher im Grenzbereich die Parameter setzen. Doch wie geht es weiter, vor allem in Bezug zur vollautonomen Fahrt?
Google präsentierte dieser Tage mal wieder einen interessanten Einblick in die Entwicklungsarbeit der vollautonomen Fahrzeuge. Im Vergleich mit dem autonomen Navigieren in der Stadt ist das Fahren in der Wüste ein vergleichsweise einfaches Unterfangen.
Das Video zeigt eindrucksvoll, welche Sonderfälle vom Auto erkannt und korrekt behandelt werden müssen.
Anders als ein iPod oder das WLAN Radio, darf ein Auto niemals abstürzen. Eine algorithmische Fehlentscheidung führt oft zu Sach- oder Personenschaden, was der Maschine nicht verziehen wird. Menschen fahren auch nicht perfekt, aber daran hat man sich gewöhnt.
Der erste große Rechtsstreit über die Haftungsfrage lässt mit Sicherheit nicht mehr lang auf sich warten…
Titelbild: Steve Jurvetson
Worst Case Szenario und Horror für jeden Autofahrer: Ein Mensch kommt hinter einem parkenden Auto vorgelaufen. Die Reaktionszeit des Menschen ist einfach zu lang um darauf zu reagieren. Kann es die aktuelle Technik besser? Der ADAC hat getestet:
Ist für das Wunschfahrzeug ein solches System erhältlich, sollte man es durchaus mit dazu ordern. Denn: Vermeidet man damit einen Unfall, hat es sich mehrfach bezahlt gemacht – Andreas Rigling, ADAC
…von der menschlichen Tragödie mal ganz abgesehen.
Die Kampagne “bester beifahrer” des Deutschen Verkehrssicherheitsrats (DVR) hat eine kostenfreie App zum Thema Fahrerassistenzsysteme entwickelt.
Unter http://www.bester-beifahrer.de ist die App kostenlos zum Download verfügbar.
Außerdem gibt es ein Lexikon, welches die wichtigsten Systeme kurz erläutert.
Erfasst man einen realen Vorgang mit einem Sensor, so hat man intuitiv das Gefühl, dass dieser Sensor den realen Wert ‘schon korrekt messen wird’. Das Problem ist, dass kein Sensor perfekt ist. Am Beispiel der Umfeldsensorik für PKW ist ein sehr populärer Sensor der Radar, welcher z.B. für die adaptive Geschwindigkeitsregelung ACC, Ein-/Ausparkassistenten oder auch Totwinkelassistenten eingesetzt wird.
Schaut man sich die Rohmesswerte eines solchen Sensors an, wird klar, was mit ‘nicht perfekt’ gemeint ist:
![Rohmessdaten eines Nahbereichsradarsensors für mehrere Radfahrer (blau) und KFZ (grün). Quelle: [Höringklee 2013 - Entwicklung eines Assistenzsystems zur Überwachung nicht einsehbarer Bereiche im Fahrzeugumfeld]](https://www.cbcity.de/wp-content/uploads/2013/08/Messdaten_Radarsensor_Draufsicht_Fahrrad_Kfz.png)
Rohmessdaten eines Nahbereichsradarsensors für mehrere Radfahrer (blau) und Fahrzeuge (grün), welche sich an den Sensor (schwarzes Kreuz links) annähern. Quelle: [Höringklee 2013 – Entwicklung eines Assistenzsystems zur Überwachung nicht einsehbarer Bereiche im Fahrzeugumfeld]
Ist dort etwas?
Kommt dort etwas?
Wie schnell ist es?
Was ist es?
Fahrzeuge werden immer intelligenter, viele haben vollautomatische Parkassistenten, welche parallel zur Fahrtrichtung längs einparken können. Aktueller Stand der Serienfahrzeuge ist, dass das Fahrzeug auch quer zur Fahrtrichtung in eine Parklücke rangieren kann. Damit sind zum einen lästiges Kurbeln als auch das nackenunfreundliche Umdrehen auf ein Minimum reduziert. Mit Spiegeln rückwärts fahren können ja die wenigsten, wenn man das Treiben in der Stadt beobachtet. Hinzu kommt, dass die Fahrzeuge immer breiter und länger werden und auch die Stoßfänger oft lackiert sind. All das sind Gründe, dem Fahrzeug den Parkvorgang zu überlassen. Valeo zeigt in diesem Konzeptvideo ganz geschlechterneutral (#Aufschrei), wie die Zukunft aussehen könnte:
Dabei stellen sich ein paar Fragen, welche es zu bedenken gibt.
