Adaptive Cruise Control: Regulierung per Driver Model

Ausgangssituation

Adaptive Cruise Control (ACC) Systeme passen die Fahrzeuggeschwindigkeit an vorausfahrende Fahrzeuge, die aktuellen Verkehrsschilder, Kurven, die Straßengriffigkeit und andere Faktoren an. Zudem werden zukünftig viele Daten aus dem Fahrzeuginnenraum über die Insassen verfügbar sein. In diesem Projekt prüfen Fraunhofer IAO und INVENSITY GmbH, ob zukünftige ACC die Geschwindigkeit des Fahrzeugs und den Abstand zum vorausfahrenden Fahrzeug auch (als zusätzliche Stellgröße) an den Fahrerzustand anpassen können.

Lösungsidee

In einem KI-Ansatz sollen Daten aus dem Innenraum genutzt werden um Fahrerzustände zu erkennen und in Fahrermodellen abzubilden (Bspw. Stress, Workload, Flow, Aufmerksamkeit, Intentionen, Emotionen). Die KI erkennt Muster in den verfügbaren Innenraumdaten sowie anderen multidimensionalen Daten und klassifiziert diese zu Fahrermodellen. Ein ACC passt dabei die Geschwindigkeit oder den Abstand zum vorausfahrenden Fahrzeug in vorgegebenen Grenzen an die Fahrerzustände an. Dadurch entsteht ein Regelkreis in dem eine KI lernt, welche Geschwindigkeit, welcher Abstand, ggf. auch welche Musik, Lichtszenarien, Fahrdynamiken, die Fahrerzustände in den optimalen Zielgrößen einregeln. Über Reinforcement Learning regelt die KI die fahrerzustandsadaptive Geschwindigkeit.

Nutzen

Eine fahrerzustandsadaptive Geschwindigkeitsregelung erhöht den Komfort und die Sicherheit im manuellen Fahren, da sowohl Stress also auch Hypovigilanz (verminderte Aufmerksamkeit durch mangelnde Stimulation) vermindert werden. Die Entwicklung ist zudem übertragbar auf das automatisierte Fahren und die Anpassung der Fahrparameter auf die Insassenmodelle. Eine erfolgreiche Erkennung der Fahrerzustände und deren Abbildung in Fahrermodellen ist weiterhin übertragbar auf viele weitere Anwendungsfälle, z.B. Lernen, Arbeiten, Sport, etc. 

Umsetzung der KI-Applikation 

Genutzt werden folgende Verfahren:

• Erkennungstechnologien des Affective Computing
• Signalverarbeitung und Machine Learning (subervised und gg. unsupervised) zur Erkennung und Monitoring von Arousal, mit z.B. Support Vector Machines, Logistic Regression und Random-Forest Classification
• Reinforcement Learning für die Kalibrierung des fahrerzustandsadaptiven KI ACC