Page - (000446) - in Autonomes Fahren - Technische, rechtliche und gesellschaftliche Aspekte

Prädiktion von maschineller Wahrnehmungsleistung beim automatisierten Fahren430 Die Berechnung der aktuellen Objektexistenzwahrscheinlichkeit erfolgt analog zur Aktualisierung des Zustands im Kalman-Filter in einem Prädiktions- und einem Innovati- onsschritt. Die Existenzprädiktion erfolgt anhand eines Markov-Modells erster Ordnung. Die prädizierte Existenz eines Objektes ist durch die Markov-Kette p x p p x p p xk k S k B k+ ∃( )= ∃( )+ ( )1| gegeben, wobei die Wahrscheinlichkeit ps die Persistenzwahrscheinlichkeit des Objektes darstellt und pB die Wahrscheinlichkeit für das Eintreten eines Objektes in den Sensor- erfassungsbereich. Folglich ist die Wahrscheinlichkeit für das Verschwinden eines Objektes gegeben durch 1 – ps. Im Innovationsschritt wird die Aposteriori-Existenzwahrscheinlich- keit p xk+ ∃( )1 berechnet. Sie hängt im Wesentlichen davon ab, wie viele aktuelle Messungen die Existenz des Objektes bestätigen. Da die Persistenzwahrscheinlichkeit eines Objektes vom aktuellen Objektzustand ab- hängt und die Aposteriori-Existenzwahrscheinlichkeit wiederum von den Datenassozia- tionen, kann das JIPDA-Filter als die in Abb. 20.4 dargestellte Verkopplung zweier Mar- kov-Ketten interpretiert werden. Die obere Markov-Kette stellt die aus dem Kalman-Filter bekannte Zustandsprädiktion und Innovation dar, während die untere Markov-Kette die Prädiktion und Innovation der Existenzwahrscheinlichkeit repräsentiert. Für Details zum JIPDA-Verfahren und seine spezifische Formulierung hinsichtlich der Anwendungen im Automotive-Bereich sei beispielsweise auf [14] verwiesen. Aktuelle und erst in den letzten Jahren entwickelte Multi-Objekttracking-Verfahren erlauben ebenfalls eine integrierte objektspezifische Existenzschätzung. Für weitere Informationen hierzu sei auf [10], [17], [18] und [19] verwiesen. Abb. 20.4 Struktur eines JIPDA-Filters als Verkopplung zweier Markov-Ketten