Multivariate Time Series Clustering and Classification for Objective Assessment of Automated Driving Functions

Moser, Uwe Dominik GND

Advanced Driver Assistance Systems (ADAS) show great potential for increasing both comfort and safety in driving.
However, this gain is only appreciated when the passengers have a positive perception of the system's behavior e.g., if the drive is perceived as comfortable.
Therefore, different calibrations of ADAS must be assessed during the development process to achieve a user-centered product. However, general practice is that new calibrations of ADAS are assessed subjectively by experts in driving tests.
As a consequence, these assessments can differ from expert to expert, change during the test drive, and depend on the constitution of a particular expert. In brief, this is a highly subjective process.
The contribution of this thesis is a new methodology for the objective assessment of ADAS based on Multivariate Dynamic Time Warping (MDTW).
It aims to compare the subjective perception of different ADAS calibrations with objectively measurable variables. This methodology comprises two major process steps, namely clustering and classification. MDTW-based clustering is focused on determining the most influential variables in comfort perception for ADAS.
MDTW-based classification is focused on predicting the driving comfort of ADAS, where methods like the k-nearest neighbor classifier and a classifier based on the kernel density estimation are used.
This methodology is validated with the experimental results of a validation study with the three use cases of the lane-keeping assistant, the lane-change assistant and the adaptive cruise control.
Based on the data of this study, the proposed classifiers are compared to the state-of-the-art-methods in objective assessment of ADAS.

Moderne Fahrerassistenzsysteme bieten ein hohes Potential in der Erhöhung von Komfort und Sicherheit für den Fahrer. Damit die Systeme regelmäßig genutzt werden, müssen sie vom Fahrer positiv (z.B. komfortabel) wahrgenommen werden.
Um dieses Verhalten zu erzielen, müssen verschiedene Applikationen der Assistenzsysteme im Entwicklungsprozess bewertet werden.
Dadurch können Verbesserungspotentiale der Applikation ermittelt und somit ein kundenzentriertes Produkt entwickelt werden. Industriepraxis ist, dass diese Bewertung durch Experten im Fahrversuch durchgeführt wird.
Dieser Bewertungsprozess weist jedoch drei zentrale Nachteile auf. Erstens können die Bewertungen verschiedener Experten voneinander abweichen, zweitens unterliegt die Fahrzeugbewertung einer zeitlichen Abhängigkeit und drittens ist die Bewertung auch von der mentalen Verfassung des Experten abhängig. Es handelt sich somit um einen subjektiven Prozess.
Der wissenschaftliche Beitrag dieser Doktorarbeit ist eine Methodik zur Objektivierung von Fahrerassistenzsystemen, mit Methoden der Zeitserienanalyse wie-Multivariate Dynamic Time Warping (MDTW).
Ziel ist der Vergleich der Kundenwahrnehmung von verschiedenen Applikationen von Fahrerassistenzsystemen basierend auf objektiv messbaren Variablen. Diese Methodik beinhaltet die beiden Prozessschritte Clustering und Classification.
lm ersten Schritt wird ein Clustering mit MDTW verwendet um die objektiv messbaren Variablen mit dem größten Einfluss auf die Subjektivbewertung zu bestimmen.
lm zweiten Schritt wird eine Classification mit MDTW durchgeführt, um die Subjektivbewertungen des Fahrverhaltens eines Fahrerassistenzsystems zu prädizieren. Hierbei werden Methoden wie der k-Nearest Neighbors Classifier und ein Kerndichteschätzer verwendet.
Diese Methodik wird mit dem Datensatz einer Probandenstudie validiert, in der Lenk- und Spurführungsassistent, Spurwechselassistent und Adaptive Cruise Control von den Teilnehmern bewertet wurden.
Basierend auf diesem Datensatz werden die vorgeschlagenen Classifier mit den Methoden des Stands der Technik in der Objektivierung Fahrerassistenz verglichen.

Preview

Share and cite

Citation style:

Moser, Uwe Dominik: Multivariate Time Series Clustering and Classification for Objective Assessment of Automated Driving Functions. 2020.

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

Rights

Export