A traffic-based method for safety impact assessment of road vehicle automation

Rösener, Christian; Oeser, Markus; Eckstein, Lutz

doi:10.18154/RWTH-2020-08950

A traffic-based method for safety impact assessment of road vehicle automation = Eine verkehrsbasierte Methode zur Wirksamkeitsbewertung von Fahrzeugautomatisierung

Rösener, Christian^RWTH*

2020

VerantwortlichkeitsangabeChristian Rösener

ImpressumAachen : fka GmbH 2020

Umfang1 Online-Ressource (165 Seiten)

ISBN978-3-946019-39-8

ReiheSchriftenreihe Automobiltechnik ; 233

Dissertation, RWTH Aachen University, 2020

Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Eckstein, Lutz (Thesis advisor)^RWTH* ; Oeser, Markus (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2020-07-07

Online
DOI: 10.18154/RWTH-2020-08950
URL: https://publications.rwth-aachen.de/record/801589/files/801589.pdf

Einrichtungen

Lehrstuhl und Institut für Kraftfahrzeuge (ika) (414110)

Inhaltliche Beschreibung (Schlagwörter)
automated driving (frei) ; automotive engineering (frei) ; safety assessment (frei) ; safety impact assessment (frei) ; scenario classification (frei) ; simulation (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Die Identifizierung und Bewertung von Risiken und Nutzen der Fahrzeug-automatisierung stellt eine der größten Herausforderungen dar, die vor der Markteinführung dieser Technologie noch zu lösen ist. Dies gilt vor allem vor dem Hintergrund der zunehmenden Komplexität von Algorithmen zur Umgebungs-wahrnehmung und Entscheidungsfindung. Insbesondere stellt sich die Frage, welches Sicherheitsniveau mit dieser Technologie im Straßenverkehr realisiert werden kann. Um das Sicherheitsniveau des Straßenverkehrs mit Fahrzeugautomatisierung zu prognostizieren, wird in dieser Arbeit eine datengetriebene Methode zur prospektiven Wirksamkeitsbewertung entwickelt. Als Referenz für die Bewertung von Fahrzeugautomatisierung wird die menschliche Fahrerleistung verwendet. Das entwickelte Verfahren zur Wirksamkeitsbewertung stützt sich auf einen dreistufigen Ansatz. In einem ersten Schritt werden die Wirkfelder, das sind die von der automatisierten Fahrfunktionen adressierten Unfälle und Situationen, identifiziert und in Fahrszenarien klassifiziert. Die betrachteten Fahrszenarien werden aus dem Unfalltypenkatalog abgeleitet, der auf jahrzehntelanger Erfahrung in der Unfallforschung basiert und somit alle physikalisch möglichen Unfallkonstellationen abdeckt. Es wird davon ausgegangen, dass sich diese Unfallkonstellationen mit Fahrzeugautomatisierung nicht ändern, während sich die Auftretenshäufigkeit und die Schwere der einzelnen Unfallkonstellationen ändern kann. Die Änderungen der Auftretenshäufigkeiten der jeweiligen Fahrszenarien im Mischverkehr werden unter Verwendung neuartiger Fahrer-Verhaltensmodelle in Verkehrssimulationen in einem zweiten Schritt bestimmt. In einem dritten Schritt wird die Änderung des Schweregrads in den jeweiligen Szenarien bewertet. Die Leistung des menschlichen Fahrers wird dabei als Referenz modelliert. Fahrsimulatorstudien zeigen, dass der menschliche Fahrer in kritischen Situationen als Open-Loop Regler modelliert werden kann, während Reaktionszeit und -Intensität in der ausgewählten Fahrerpopulation gamma-verteilt sind. Die Aufteilung in diese beiden Modelle ist besonders sinnvoll, da die Fahrerverhaltensmodelle die Anzahl und damit die Auftretenshäufigkeiten von Fahrszenarien beeinflussen, während die Fahrerleistungsmodelle das Verhalten innerhalb eines Fahrszenarios und somit die Schwere widerspiegeln. Folglich spiegelt diese Aufteilung die Struktur des Gesamtbewertungsansatzes wieder. Die daraus resultierenden Änderungen der Auftretenshäufigkeiten und der Schweregrade der Szenarien werden schließlich mithilfe von Unfallstatistiken hochgerechnet. Die neuentwickelte Methode wird beispielhaft angewandt, um das Sicherheitsniveau im Straßenverkehr von zwei automatisierte Fahrfunktionen der Domänen Autobahn und Urban zu untersuchen. Die Ergebnisse beweisen, dass die entwickelte Methode auf jegliche Automatisierungslevel (SAE 1- 5) und Domänen angewandt werden kann.

Identifying and evaluating the safety performance of road vehicle automation is one of the major challenges still to solve before market introduction of these functions. The assessment of these functions is highly challenging due to the increasing complexity of algorithms for environment perception and decision-making. In addition, the achievable level of safety is still an open question. To evaluate the achievable level of safety, this thesis introduces a new data-driven framework for safety impact assessment of road vehicle automation. The presented framework features human driver performance as a reference for assessment. The developed framework comprises a three-step approach: First, the effectiveness fields, the accidents and situations potentially addressed by the automated driving functions, are identified and clustered in the input data into driving scenarios. The considered driving scenarios are derived from the accident type catalogue built on decades of experience in accident research and thus covering all physically possible accident constellations. It is assumed that these accident constellations do not change with road vehicle automation, while their frequency of occurrence and their severity may change. Second, the change of frequency of occurrence of driving scenarios can be determined for mixed traffic conditions using traffic simulations with novel driver behaviour models representing human errors in the traffic simulations. In a third step, the change in severity within driving scenarios is assessed using human driver performance models as a reference. Simulator studies showed that human driver performance is based on feedforward control in incident situations while reaction time and reaction intensity are gamma-distributed in the selected driver population. The distinction of the human driving behaviour in these two models is particularly sensible as driver behaviour models influence the number, hence the frequency of incident driving scenarios, while driver performance models reflect the behaviour within an incident, thus the severity of a driving scenario. In consequence, this partitioning reflects the structure of the overall assessment approach. Finally, the resulting assessment of changed frequency and severity within the classified scenarios can be scaled-up by using accident statistics. The novel framework is exemplarily applied to investigate the level of safety of two different automated driving functions operating in motorway- and urban domain. This proves that the developed approach is applicable to automated driving functions of all automation levels (SAE 1- 5) and operation domains.

OpenAccess:
PDF
(additional files)