Filter und Trackingverfahren, Kap 7 | K. Dietmayer | 2018Seite 27

Universität Ulm | Institut für Mess-, Regel- und Mikrotechnik MRM

Beispiel zum IMMAnalyse von Stop&Go-Situationen

Analyse der Fahrdynamik-Messwerte des Ego-FahrzeugsEinteilung von Stauszenarien in Abschnitte näherungsweise konstanter Zustandsgrößen

Auswahl der Modelle

stationär (stehend): S

konstante Geschwindigkeit: CV

konstante Beschleunigung: CA

Filter und Trackingverfahren, Kap 7 | K. Dietmayer | 2018Seite 28

Universität Ulm | Institut für Mess-, Regel- und Mikrotechnik MRM

Erstellung der Markov-Matrix

[ ]1

1Eii

i

pτ

= −

( )1ij

ij ii

i

np p

n= −

τi : Verweildauer in Modell inij : Anzahl Schaltvorgänge von i nach jni : Anzahl Schaltvorgänge aus i heraus

Markierung der Fahrabläufe anhandder gewählten Klassen (Konstante Gierrate (CP) gilt immer):

stationär (stehend): Skonstante Geschwindigkeit:CVkonstante Beschleunigung: CA

Ermittlung der Anzahl der Umschaltvorgänge,Verweildauern, Übergangswahrscheinlichkeiten

Filter und Trackingverfahren, Kap 7 | K. Dietmayer | 2018Seite 29

Universität Ulm | Institut für Mess-, Regel- und Mikrotechnik MRM

Szenarien

Aufnahme unterschiedlicher Szenarien

– Stop&Go

– Starke Beschleunigungs-änderungen

– Spurwechsel

ψ

v

v

Filter und Trackingverfahren, Kap 7 | K. Dietmayer | 2018Seite 30

Universität Ulm | Institut für Mess-, Regel- und Mikrotechnik MRM

Messfahrt auf dem VW-Testgelände (EHRA)

Objekt-Fahrzeug

Fahrdynamiksensoren

GPS zur Synchronisierung der Messdaten (nur Zeitstempel verwendet)

Ego-Fahrzeug

Fahrdynamiksensoren

GPS, zur Synchronisierung der Messdaten (nur Zeitstempel verwendet)

Fern-Radar, Laserscanner (vorne links und rechts), Mono-Video (Fahrspur und Objekterkennung)

Filter und Trackingverfahren, Kap 7 | K. Dietmayer | 2018Seite 31

Universität Ulm | Institut für Mess-, Regel- und Mikrotechnik MRM

Model-Set

Drei Modelle

– Stationäres Modell mit niedrigem Modell-Rauschen (S)

– Konstante Geschwindigkeit mit niedrigem Modell-Rauschen (CV)

– Konstante Beschleunigung mit hohem Modell-Rauschen (CA)

Markov-Matrix:

Vergleich: Kalman-Filter mit Modell konstanter Geschwindigkeit (mittleres Modell-Rauschen)

=

980.0017.0003.0

030.0970.0000.0

020.0000.0980.0

P

Filter und Trackingverfahren, Kap 7 | K. Dietmayer | 2018Seite 32

Universität Ulm | Institut für Mess-, Regel- und Mikrotechnik MRM

Stop&Go Szenario

v

S

CV

CA

wahrer

Verlauf

Einzelfilter

IMM

Filter und Trackingverfahren, Kap 7 | K. Dietmayer | 2018Seite 33

Universität Ulm | Institut für Mess-, Regel- und Mikrotechnik MRM

Stop&Go Szenario

v

Einzelfilter

IMM

Filter und Trackingverfahren, Kap 7 | K. Dietmayer | 2018Seite 34

Universität Ulm | Institut für Mess-, Regel- und Mikrotechnik MRM

Beschleunigungsänderung

wahrer

Verlauf

v

Einzelfilter

IMM

S

CV

CA

Filter und Trackingverfahren, Kap 7 | K. Dietmayer | 2018Seite 35

Universität Ulm | Institut für Mess-, Regel- und Mikrotechnik MRM

Beschleunigungsänderung

v

Einzelfilter

IMM