Seite - (000448) - in Autonomes Fahren - Technische, rechtliche und gesellschaftliche Aspekte

Prädiktion von maschineller Wahrnehmungsleistung beim automatisierten Fahren432 20.3.5 Zusammenfassende Bewertung Aus den Betrachtungen wird deutlich, dass die maschinelle Wahrnehmung drei wesentliche Unsicherheitsdomänen umfasst, nämlich die Zustandsunsicherheit, die Existenzunsicher- heit und die Klassenunsicherheit. Alle Domänen haben direkten Einfluss auf die Leistungs- fähigkeit der maschinellen Wahrnehmung. Werden die Unsicherheiten zu hoch, wobei funktionsspezifisch festzulegen ist, welche Unsicherheiten noch tolerabel sind, ist keine sichere Führung eines automatisierten Fahrzeugs mehr möglich. Problematisch ist, dass eine zukünftig höhere Unsicherheit und damit eine größere Feh- lerwahrscheinlichkeit nicht zeitlich vorhergesagt werden kann. Die heute bekannten Me- thoden zur Schätzung von Zustands- und Existenzunsicherheiten erlauben zwar eine aktu- elle Einschätzung der Leistungsfähigkeit der maschinellen Wahrnehmung, eine Degenera- tion der Leistungsfähigkeit einzelner Sensoren oder gar ein Ausfall von Komponenten kann aber prinzipbedingt nicht vorhergesagt werden. Lediglich Trendaussagen sind möglich. Die folgende Tab. 20.1 fasst die Ergebnisse noch einmal zusammen. Tab. 20.1 Unsicherheitsdomänen der maschinellen Wahrnehmung und deren methodische Be- handlung Zustandsunsicherheit Existenzunsicherheit Klassenunsicherheit Ausprägung Unsicherheit in den Zustandsgrößen wie Objektposition, Objekt- geschwindigkeit etc. Unsicherheit, ob ein von Sensorik erfasstes Objekt real existiert Unsicherheit über Klassenzugehörigkeit (z. B. Pkw <-> Lkw) Ursache stochastische Mess- fehler der verwendeten Sensorik Detektionsunsicherhei- ten einzelner Sensoren, beispielsweise Kamera oder Radar Klassifikationsunsicher- heiten der Algorithmen / Limitierungen einzelner Sensoren Modellierung probabilistisch, Erwar- tungswert mit Varianzen/ Kovarianzen probabilistisch über Detektionswahrschein- lichkeiten keine durchgehende Methode, zurzeit vor- wiegend heuristisch Methoden geschlossene Theorie über allgemeines Bayes- Filter (z. B. Variante Kalman-Filter) geschlossene Theorie, gekoppelt an Schätzung Zustandsunsicherheit (z. B. JIPDA-Filter) merkmalbasiert: Bayes, Dempster-Shafer, lernbasiert: Neuronale Netze, kaskadierte Verfahren (Viola und Jones etc.) Prädiktion in die Zukunft generell nein, bedingt möglich über Trend- aussagen generell nein generell nein