Page - (000442) - in Autonomes Fahren - Technische, rechtliche und gesellschaftliche Aspekte

Prädiktion von maschineller Wahrnehmungsleistung beim automatisierten Fahren426 2. Existenzunsicherheit Die Existenzunsicherheit beschreibt die Unsicherheit darüber, ob ein von der Sensorik erkanntes und in die Umgebungsrepräsentation übernommenes Objekt überhaupt real existiert. Fehler dieser Art können durch Unzulänglichkeiten in den Signalverarbei- tungsalgorithmen oder durch Fehlmessungen der Sensoren selbst entstehen. 3. Klassenunsicherheit Hiermit ist die Unsicherheit hinsichtlich der korrekten semantischen Zuordnung gemeint, die durch Unzulänglichkeiten der Klassifikationsverfahren bzw. nicht aus- reichend gute Messdaten verursacht werden können. Für die Anwendung des automatisierten Fahrens ist es notwendig, die Unsicherheiten bzw. Fehler in den verschiedenen Domänen zuverlässig zu erkennen und, falls möglich, sogar prädizieren zu können. Methodisch werden zur Behandlung von Unsicherheiten nach dem Stand der Technik fast ausnahmslos Verfahren basierend auf der Bayes-Theorie [10], [11], [12] oder ihrer Verallgemeinerung, der Dempster-Shafer-Theorie [16], verwendet. Sie besitzen den Vorteil, dass sie eine durchgehend probabilistische und daher weitgehend heuristikfreie Behandlung der Unsicherheitsdomänen erlauben. Die o. g. Unsicherheitsdomänen beziehen sich im engeren Sinne zunächst nur auf die bordeigene Sensorik. Es lassen sich allerdings auch Fehler in Informationen aus einer digitalen Karte oder den durch Car2x-Kommunikation gewonnenen Daten entsprechend kategorisieren. Gerade die zuletzt genannte Car2x-Kommunikation birgt zwar durch mögliche variable Latenzzeiten bei der Übertragung und eventuell nicht genau bekannte Unsicherheitsbewertungen der Sendequellen zusätzliche Fehlereinflüsse. Die Auswirkun- gen lassen sich jedoch wieder den drei genannten Unsicherheitsdomänen zuordnen, sodass hierauf nicht weiter eingegangen wird. 20.3.2 Zustandsunsicherheit Die Zustandsunsicherheit eines detektierten Objektes wird gemäß der Bayes-Theorie durch eine Wahrscheinlichkeitsdichtefunktion beschrieben, anhand derer der wahrscheinlichste Gesamt- bzw. Einzelzustand sowie mit gewisser Wahrscheinlichkeit auch mögliche Varia- tionen hiervon bestimmt werden können. Im Fall einer mehrdimensionalen, normalverteil- ten Wahrscheinlichkeitsdichtefunktion ist die Zustandsunsicherheit durch eine Kovarianz- matrix vollständig repräsentiert. Bei der Schätzung statischer Größen wie beispielsweise die Fahrzeugabmessungen kann deren Zustandsunsicherheit durch wiederholte Messungen immer weiter verringert werden. Der Schätzwert auf Basis der verfügbaren Messungen konvergiert gegen den wahren Wert, falls kein systematischer Sensorfehler, beispielsweise in Form eines Offsets, vorliegt. Bei der Schätzung von dynamischen, zeitveränderlichen Zuständen wie der Objektposition oder Objektgeschwindigkeit ist aufgrund der Bewegung des Objektes zwischen den Mess- zeitpunkten die Konvergenz gegen einen wahren Wert nicht mehr gegeben. Bei der Bewer-