Individualized situation recognition using approximate case-based reasoning

Sarkheyli-Hägele, Arezoo

Situation recognition is a significant part of humans perception as well as in the process of supervising human operators decision making in unplanned, imprecise, and uncertain environments. It is a process for identification of actual situation as the result of the occurring events within the environment. With outstanding performance, different situation recognition approaches for various applications have been developed. However, far too little attention has been paid to individualization of situation recognition. Situation recognition process could be individualized for supervision of human operators by learning and considering exclusive behaviors, preferences, and priorities of individual human operators. The event-discrete situations which are generated with a sequence of triggered actions could express individual behaviors of human operators. Accordingly, representation and identification of event-discrete situations are considered in this contribution. The purpose of this thesis is to propose a new framework for individualized situation recognition by applying novel knowledge representation and reasoning approaches. The most major challenges to be solved through the proposed framework for individualized situation recognition are modeling and representation of experienced knowledge as well as learning the new unknown situations. Those challenges could be stated as two questions as follows: How to model and represent the event-discrete situations to a knowledge base? How to reuse the knowledge for further situation recognition? In this work, Case-Based Reasoning (CBR) approach is applied to realize individualized situation recognition for supervision of human operators. The classical CBR is improved with a new learning process to recognize known occurring situations and generate new knowledge from unknown occurring situations. To deal with the noted challenges and realize the situation recognition, the classical CBR is also improved with application of a knowledge representation approach based on Situation-Operator Modeling (SOM) and fuzzy logic (FL). This work details the proposed CBR approach as a part of approximate reasoning. An integrated knowledge representation approach based on SOM and FL is introduced for representation of knowledge in the CBR. The SOM approach models the knowledge and describes the relations between discrete-event situations in a dynamic environment. The presented SOM approach supports the learning process by defining a sequence of situations and actions for each situation pattern. The FL approach structures the knowledge modeled by SOM for approximate knowledge inference. Additional processes need to be carried out in the proposed fuzzy SOM-based CBR to support online learning, data reduction, and knowledge indexing. The presented framework is applied for realization of an individualized lane-change situation recognition to supervise human drivers. The goal is to recognize the suitable driving situations for changing the lane for individual human drivers. The framework is evaluated using various data acquired by a driving simulator. This evaluation is done using different test drivers to highlight the effectiveness of the proposed approach for individualized situation recognition. The results demonstrate that the proposed framework can realize a successful driving situation recognition in terms of accuracy, detection rate, false alarm rate, and recognition elapsed time. It is shown that individualized situation recognition can significantly improve the recognition accuracy.

Situationserkennung ist sowohl ein wichtiger Aspekt der menschlichenWahrnehmung wie auch bei der Überwachung der Entscheidungsfindung eines menschlichen Nutzers (human operator) in ungeplanten, ungenauen und unsicheren Umgebungen. Die Situationserkennung ist ein Prozess zur Identifizierung der aktuellen Situation, die aus Änderungen innerhalb der Umgebung resultiert. Für verschiedene Anwendungen wurden verschiedene Situationserkennungsansätze erfolgreich entwickelt. Die Individualisierung der Situationserkennung wurde in der Literatur bisher wenig beachtet. Der Situationserkennungsprozess konnte für die Unterstützung der menschlichen Nutzer durch das Lernen und Berücksichtigung individueller Verhaltensweisen, Präferenzen und Priorit¨aten verbessert werden. Ereignisdiskrete Situationen, die aus einer Folge von Aktionen resultieren, können individuelle Verhaltensweisen menschlicher Nutzer repräsentieren. In dieser Arbeit werden Repräsentation und Identifizierung von ereignisdiskreten Situationen betrachtet. In dieser Arbeit wird ein neues Framework für eine individualisierte Situationserkennung vorgeschlagen, indem neuartige Wissensrepräsentationen und Schlussfolgerungsansätze angewendet werden. Die wichtigsten Herausforderungen die durch die eingeführten Frameworks für die individualisierte Situationserkennung zu lössen sind, sind die Modellierung und Repr¨asentation von Wissen sowie das Lernen auf neuen, unbekannten Situationen. Diese Herausforderungen können basierend wie folgt angegeben werden: Wie können die ereignisdiskreten Situationen modelliert und in einen Wissensspeicher übertragen werden? Wie kann das gespeicherte Wissen für die weitere Situationserkennung verwendet werden? In dieser Arbeit wird der Case-Based Reasoning (CBR)-Ansatz verwendet, um eine individualisierte Situationserkennung zur Unterstützung menschlicher Nutzer zu realisieren. Der klassische CBR-Ansatz wird um einen neuen Lernprozessansatz erweitert, sodass bekannte Situationen erkannt werden können und neues Wissen aus unbekannten Situationen generiert werden kann. Um die erwähnten Herausforderungen zu bewältigen und die Situationerkennung zu realisieren, wird der klassische CBR-Ansatz um den Situation-Operator Modeling (SOM)-Ansatz und Fuzzy-Logik (FL)-Ansatz erweitert. Der SOM-Ansatz ermöglicht eine wissensorientierte Modellbildung und wird zur strukturierten Beschreibung der Beziehungen der ereignisdiskreten Situationen innerhalb dynamischer Umgebungen verwendet. Der präsentierte SOM-Ansatz wird innerhalb des Lernprozesses dazu verwendet, Sequenzen von Situationen und Aktionen einzelnen Situationsmustern zuzuordnen. Der FL-Ansatz strukturiert das SOM-basierte Wissen für approximate reasoning. Zusätzliche Prozesse werden zur Unterstützung des Onlinelernens, der Datenreduktion, und Wissensindexierung inerhalb des vorschlagenen fuzzy SOM-basierte CBRAnsatzes verwendet. Die Funktionsweise des vorgestellten Frameworks wird am Beispiel der Realisierung einer individualisierten Spurwechsel-Situationserkennung zur Unterstützung menschlicher Fahrer verdeutlicht. Hierbei ist das Ziel, eine passende Fahrsituation zum Spurwechsel zu erkennen. Das Framework wird unter Verwendung von Testdaten evaluiert. Die Datenerfassung erfolgt auf Basis eines Fahrsimulators und unterschiedlicher Testfahrer. Hierauf aufbauend wird der Nachweis einer erfolgreichen Verwendung des vorgestellten Anzatzes zur individualisierten Situationserkennung erbracht. Die Ergebnisse zeigen, dass unter Verweldung des vorgestellten Ansatzes eine erfolgreiche Fahrsituationerkennung realisiert werden kann, im Sinne von Genauigkeit, Erkennungsrate, negativer Alarmrate und Erkennungszeit. Abschliessend wird gezeigt, dass eine Individualisierung die Genauigkeit der Situationserkennung signifikant verbessert werden kann.

Share and cite

Citation style:

Sarkheyli-Hägele, Arezoo: Individualized situation recognition using approximate case-based reasoning. 2018.

Could not load citation form. Default citation form is displayed.

Rights

Use and reproduction:
All rights reserved

Export