| Popis: |
Im automatisierten Fahren arbeiten verschiedene Algorithmen zusammen, die Informationen übergeben, z. B. von der Wahrnehmung an die Planung. Dabei können sich Unsicherheiten fortpflanzen, die die Entscheidung des Planungsalgorithmus stark beeinflussen und möglicherweise zu Kollisionen führen, falls sie vom Planer nicht angemessen berücksichtigt werden. Aus diesem Grund wird die Qualität eines Planers häufig mit dem Auftreten von Kollisionen quantifiziert. Nutzer werden jedoch nicht nur ein sicheres, sondern aber auch ein ruhiges Fahrverhalten erwarten. Daher definiert diese Arbeit ein Maß für zulässige Planungsentscheidungen, das Schwankungen zwischen Planungsergebnissen betrachtet. Dies trägt dazu bei, dass unerwartete Fahrentscheidungen vermieden werden. In dieser Arbeit wird die Sensitivitätsanalyse nach Morris verwendet, um den Einfluss von Unsicherheiten in der Wahrnehmung auf Planungsentscheidungen zu untersuchen. Morris’ Analyse unterscheidet zwischen Inputs, die für die Planungsentscheidung relevant waren, und Inputs, die die Entscheidung nicht beeinflusst haben. Daraus wird abgeleitet, welcher Input zu unsicher war und welche Konsequenzen gezogen werden müssen: Einerseits sollte die Wahrnehmung speziell für diesen Input genauer arbeiten, andererseits sollte der Planer robuster gegenüber Unsicherheiten dieser Art werden. Aus diesen Ergebnissen kann leider noch nicht gefolgert werden, welche Menge an Wahrnehmungsunsicherheiten akzeptabel wäre. Dafür definiert ein stochastisches Optimierungsproblem die maximalen Unsicherheiten, die gerade noch zu Planungsergebnissen führen, die nicht stärker als ein Grenzwert schwanken. Dieses Vorgehen bietet für verschiedene Verkehrsszenarien die Möglichkeit, die Anforderungen an die Wahrnehmung genau mit den Voraussetzungen der Planung abzustimmen. Zusammengefasst können sowohl die Sensitivitätsanalyse als auch das stochastische Optimierungsproblem den Entwicklungsprozess unterstützen, indem sie z. B. beim Debugging helfen. Diese neuen Ansätze tragen dazu bei, die Verarbeitung der unsicherheitsbehafteten Informationen nachvollziehbarer zu gestalten und die Entwicklung automatisierter Fahrzeuge zu unterstützen. Im automatisierten Fahren betrifft Nachvollziehbarkeit aber nicht nur den Entwicklungsprozess, sondern auch den Endnutzer der Fahrfunktion. Die aktuelle Forschung erwartet, dass die Skepsis, die in großen Teilen der Bevölkerung gegenüber dem automatisierten Fahren herrscht, u. a. durch das Aufbauen von angemessenem Vertrauen abgebaut werden kann. Eine Möglichkeit, um Vertrauen bei Nutzern aufzubauen, sind Erklärungen, die das Verständnis der Nutzer verbessern. Bevor angemessene Erklärungen vom automatisierten Fahrzeug bereit gestellt werden können, sind zunächst Informationen nötig, die für die Beantwortung möglicher Fragen notwendig sind. Dafür wird zunächst das umfangreiche Wissen von Entwicklern als Ausgangspunkt verwendet. Daher wird zunächst mithilfe von Fokusgruppen untersucht, welche Fragen die Experten zu Fahrentscheidungen stellen, die sie während Testfahrten im Realverkehr als unerwartet wahrnahmen. Die Ergebnisse deuten darauf hin, dass vorrangig unerwartete laterale Bewegungen erklärt werden sollten. Um derartige unerwartete Fahrentscheidungen auch für Nutzer ohne detailliertes Fachwissen zu erklären, wird erneut die Sensitivitätsanalyse verwendet: Mit ihrer Hilfe werden die Informationen, die für zentrale Entscheidungen des automatisierten Fahrzeugs relevant sind, identifiziert. Anschließend werden diese interpretiert und in Zusammenhang mit der Umgebung sowie den geltenden Verkehrsregeln gesetzt. Das Ergebnis sind automatisch generierte, textbasierte Beschreibungen, die das Verhalten des automatisierten Fahrzeugs in leicht verständlicher Sprache wiedergeben und die nicht von menschlichen Fehlinterpretationen beeinflusst sind. Die Ergebnisse einer weiteren Studie zeigen, dass die generierten Sätze zwar derzeit noch als zu lang wahrgenommen werden und daher noch nicht als Nutzeranzeigen im Realverkehr verwendet werden können. Dennoch sind sie ein wichtiger und vielversprechender Schritt, um die technischen Voraussetzungen für zukünftige, informationsreiche und leicht verständliche Nutzeranzeigen zu erfüllen, die die Nachvollziehbarkeit von automatisierten Verhaltensentscheidungen erhöhen. |
