Page - (000500) - in Autonomes Fahren - Technische, rechtliche und gesellschaftliche Aspekte

Lernen autonome Fahrzeuge?482 Das damit einhergehende Risiko folgt aus der Wahrscheinlichkeit für einen Unfall sowie aus der potenziellen Schwere dieses Unfalls. Bei beiden Werten handelt es sich um Unbe- kannte, die es möglichst genau zu schätzen gilt. Dabei ist der prinzipielle Ansatz [46] für die Ermittlung der Wahrscheinlichkeit, die Trajektorien von Ego-Fahrzeug und Objekten im Umfeld, basierend auf gemessenen Zu- standsgrößen, zu prädizieren. Aufgrund der erwähnten Unsicherheiten durch den mensch- lichen Fahrer, durch Sensoren und Aktoren und einer Interaktion zwischen den Objekten gibt es nicht nur die eine Trajektorie, sondern eine Wahrscheinlichkeitsverteilung der Zu- stände aller Objekte über der Zeit. Überdecken sich die möglichen Aufenthaltsbereiche der Objekte, besteht eine Wahrscheinlichkeit für einen Unfall. Die möglichen Zustände der Objekte folgen aus eingesetzten dynamischen Modellen und aus definierten Grenzwerten für dynamische Größen. Bei [34] wird dafür ein Einspurmodell für Fahrzeuge eingesetzt, um einen Kompromiss zwischen Prädiktionsgenauigkeit und Rechenaufwand zu finden. Zusätzlich werden die dynamischen Größen wie Beschleunigung und Lenkrate auf – nach Einschätzung des Autors [34] – unkritische und typische Werte begrenzt. In [34, 47] findet sich eine Übersicht über alternative Methoden. Allen Methoden ist gemein, dass die Dyna- miksimulation eines Fahrzeugs nicht analytisch erfolgen kann [45], sodass numerische Methoden mit einhergehender Diskretisierung und Vereinfachung einzusetzen sind. Das Einbeziehen der Schwere in die Gefahrenbewertung wird bei [48] durch eine rela- tive Bewertung jedes Unfalls anhand des unelastischen Stoßes angenähert. Dies entspricht dem auf der Potential Collision Energy (PCE) basierenden Ansatz [40]. Darüber hinaus wurden jedoch keine Ansätze gefunden, die sowohl Schwere als auch Wahrscheinlichkeit in Kombination bestimmen. Ein Grund dafür sind auf der einen Seite ungenaue analytische Regressionsmethoden [49] und auf der anderen Seite rechenintensive Finite-Elemente- Methoden (FEM), die aktuell auch in anderen Bereichen für die Unfallschwerebestimmung eingesetzt werden [50]. Meier et al. [49] liefern hierfür einen neuen Ansatz, der auf sym- bolischer Regression basiert. Mithilfe einer Datenbank von Crashsituationen (gewonnen durch FEM-Berechnungen) werden Regressionsfunktionen gelernt, die für eine Situation die zugehörige Unfallschwere innerhalb von wenigen Millisekunden vorhersagen. Dafür werden Precrash-Informationen wie Fahrzeugmasse, Geschwindigkeiten, Kollisionspunkt und Kollisionswinkel genutzt. Nachteil dieses Ansatzes ist die bedingte Interpretierbarkeit, da das Regressionsmodell nicht aus physikalischen Größen gebildet wird. Wenn dieser Ansatz eine valide Prädiktion der Schwere liefert, könnte damit die Risikobewertung um eine Schwerebewertung ergänzt werden. Für die Bewertung der Sicherheit der adaptiven automatisierten Fahrzeugführung sind die vorgestellten Verfahren aktuell aus folgenden Gründen noch nicht umfassend geeignet. Zum einen basieren sämtliche Ansätze auf einer Reihe von Vereinfachungen wie beispiels- weise der Vernachlässigung von Wetterbedingungen, der Vereinfachung der Fahrdynamik sowie der fehlenden Betrachtung von Sensorunsicherheiten. Zum anderen bieten die aktu- ellen Verfahren, wie vorgestellt wurde, noch keine validierte und kombinierte Ermittlung der Wahrscheinlichkeiten und Schweren von Unfällen. Eine allgemeine Definition und Bewertung der Sicherheit der Fahrzeugführung ist somit aktuell noch nicht gegeben.