Adaption of driving behavior for autonomously driving vehicles in adverse weather conditions

Assistenzsysteme in Fahrzeugen haben sich in den letzten Jahren weit verbreitet. Das European New Car Assessment Programme (Euro NCAP) hat diese Systeme 2020 getestet [1]. Mittlerweile haben sich diese Systeme weiter entwickelt, ein wichtiger Punkt ist jedoch gleich geblieben seit dem Test von Euro NCAP: Als Fahrer muss man zu jeder Zeit aufmerksam sein und bereit sein einzugreifen, falls das Auto eine Situation nicht meistern kann. Die Bereitschaft jederzeit einzugreifen ist der größte Unterschied zwischen teilautomatisiertem Fahren und hochautomatisiertem Fahren. Bei letzterem ist diese Bereitschaft nicht mehr jederzeit Zeit nötig. Damit also der Schritt in das hochautomatisierte Fahren gelingt, müssen diese Auto in der Lage sein jegliche Gefahrensituation zu erkennen. Eine potentielle Gefahr stellen Wetterereignisse dar. Als Autofahrer muss man zum Beispiel auf nassen und glatten Fahrbahnen sein Fahrerverhalten anpassen. Autonom fahrende Autos sollten sich ebenfalls an das Wetter adaptieren. Zuerst sollte jedoch untersucht werden, welche Fahrstile bei welchen Wettersituation angemessen sind. Für die Anerkennung von autonom fahrenden Autos ist vor allem das Vertrauen der Insassen in das Fahrzeug wichtig [5]. Bisher wurde meist untersucht wie man die Sicht, vor allem durch Kameras, bei verschiedenen Wettersituationen verbessern kann [2,3,4]. Diese Studien beschäftigen sich mit der Hardware von Fahrzeugen nicht aber damit, wie das Fahrerverhalten bei verschiedenen Wettersituationen adaptiert werden soll und ob diese Adaption einen Mehrwert bietet.

Ziel der Arbeit ist es einen Leitfaden zu entwickeln, wie autonom fahrende Autos auf verschiedene Wettersituation reagieren sollten und wie diese daraufhin ihr Fahrerverhalten ändern sollten. Dazu muss zuerst herausgefunden werden, wie man auf die entsprechenden Wettersituationen reagieren sollte. Die Erkenntnisse werden zu verschiedenen Wettersituationen erforscht. Das Ziel ist zuerst für jede Wettersituation das optimale Fahrerverhalten zu finden. Daraufhin werden zu den Wettersituationen Fahrszenarien in dem Carla-Fahrsimulator [6] erstellt. Der Simulator soll so angepasst werden, dass die herausgefundenen Fahrerverhalten in jedem Szenario angewendet werden können. Mit Hilfe des Fahrsimulators soll evaluiert werden, ob das angepasste Fahrerverhalten bei Versuchspersonen besser abschneidet als unangepasstes Fahrerverhalten. Dabei soll, auch gemessen werden, wie hoch das Vertrauen der Insassen in das autonom fahrende Fahrzeug ist.

• Aufbereitung der Literatur zu Fahrerverhalten bei verschiedenen Wettersituationen
• Studie zu Fahrer-Verhalten bei schlechten Wettersituationen
• Anpassung des Fahrsimulators
• Studie zur Evaluation des Fahrerverhaltens entwerfen

• Programmierkenntnisse in Python
• Design, Durchführung und Auswertung empirischer Studien
• Kenntnisse über die Unterschiede von autonomen Fahren

[1] Euro NCAP, “Fahrerassistenz Tests 2020”, Euro NCAP, 2022, https://www.euroncap.com/de/fahrzeugsicherheit/sicherheitskampagnen/2020-fahrerassistenz/ [2] D. Liu, Y. Cui, Z. Cao and Y. Chen, „A Large-scale Simulation Dataset: Boost the Detection Accuracy for Special Weather Conditions,“ 2020 International Joint Conference on Neural Networks (IJCNN), 2020, pp. 1-8 [3] M. Bijelic, T. Gruber and W. Ritter, „Benchmarking Image Sensors Under Adverse Weather Conditions for Autonomous Driving,“ 2018 IEEE Intelligent Vehicles Symposium (IV), 2018, pp. 1773-1779 [4] A. Mehra, M. Mandal, P. Narang and V. Chamola, „ReViewNet: A Fast and Resource Optimized Network for Enabling Safe Autonomous Driving in Hazy Weather Conditions,“ in IEEE Transactions on Intelligent Transportation Systems, vol. 22, no. 7, pp. 4256-4266, July 2021 [5] J.K. Choi, Y.G. Ji, “Investigating the Importance of Trust on Adopting an Autonomous Vehicle”, International Journal of Human-Computer Interaction, 31:10, 692-702, doi: 10.1080/10447318.2015.1070549 [6] Dosovitskiy, A., Ros, G., Codevilla, F., Lopez, A., & Koltun, V. (2017, October). CARLA: An open urban driving simulator. In Conference on robot learning (pp. 1-16). PMLR.