Sensorbasierte Bewegungsanalyse im Fahrzeug – Teil 2: Objektklassifikation mit maschinellem Lernen

Authors: Tristan Langenberg, Oliver Jokisch, Tilo Strutz

Abstract:

Der vorliegende Beitrag diskutiert ein sensorbasiertes Bewegungsanalysekonzept im Fahrzeugkontext und beschränkt sich auf Signalmerkmale von dreidimensionalen Beschleunigungs- und Gyroskopdaten im bewegten Fahrzeug. Forschungsgegenstand ist die Fahrbahnanalyse zur Entwicklung von Fahrassistenzsystemen in den Bereichen Sicherheit und Komfort. Die Untersuchung beruht auf einem früheren Beitrag [1] zum gleichen Forschungsgegenstand, der smartphonebasierte Messdaten betrachtete und erste Erfahrungen mit der Merkmalsanalyse und -klassifikation von Beschleunigungssignalen zusammenfasste. Der hier vorgestellte Teil 2 greift das Anwendungsszenario der Straßencharakterisierung auf und stellt ein System zur Objektklassifikation unter Verwendung eines Algorithmus zum maschinellem Lernen vor. Es wird ein Neuronales Netz (NN) als Methode des überwachten Lernens, speziell ein Multi-Layer-Perzeptron (MLP), zur Klassifikation verwendet. Zum Anlernen des neuronalen Netzes wird eine selbst aufgezeichnete Datenbank eingesetzt, die aus fünf Objekttypen (Temposchwelle, Bremsschwelle, Kanaldeckel, Brückenfuge, idealer Straßenuntergrund) mit zusätzlichen Dimensionsinformationen (rechts, links, frontal) besteht. Die insgesamt 833 Datensätze mit zugrunde liegenden Geschwindigkeiten zwischen 5 und 75 km/h wurden mit zwei verschiedenen Fahrzeugen und einem selbst konstruierten Messgerät aufgenommen. Einflüsse von variierenden Fahrzeuggeschwindigkeiten und -typen werden bei der Datenanalyse und Datenaufbereitung kompensiert. Im Ergebnis werden unter den genannten Randbedingungen Objekterkennungsraten von 75 bis 85 % erzielt, die von den jeweils trainierten Datensätzen und den extrahierten Signalmerkmalen, z. B. den Ortsspektren der Messdaten, beeinflusst sind.