Ein Beitrag zur Absicherung hochautomatisierter Fahrerassistenzsysteme mithilfe von Methoden der Künstlichen Intelligenz

Das in dieser Arbeit vorgestellte Absicherungskonzept adressiert die beschriebenen Herausforderungen systematisch. Zunächst werden sicherheitskritische Fahrszenarien auf der Grundlage einer umfangreichen Datensammlung von gemessenen Zeitreihen mittels Maschinellem Lernen klassifiziert. Anschließend werden der Bedarf einer Alternativmethode zur Szenariengenerierung identifiziert und verschiedene neuronale Netzwerktopologien wie GAN und Variational Autoencoder (VAE) evaluiert. Diese erlernen eine latente Repräsentation realistischer Fahrmanöver und generieren diese anschließend zufällig, um sie in SiL-Simulationen zur Risikoabschätzung zu integrieren. Die Anwendung auf Einschermanöver und der Vergleich zwischen KI-generierten und gemessenen Manövern zeigen, dass nicht nur der visuelle Charakter der Trajektorien eine hohe Übereinstimmung aufweist, sondern auch statistische Kennwerte wie Mittelwert und Varianz vergleichbare Resultate liefern. Auf Grundlage typischer Kriterien für ADAS werden abschließend verschiedene intelligente Algorithmen der Zuverlässigkeitsanalyse kombiniert, um präzise Schätzungen der Versagenswahrscheinlichkeiten zu ermöglichen.