Fahrerassistenz- und Verkehrssysteme haben ein enormes Potenzial, die Sicherheit des Straßenverkehrs durch gezielte Unterstützung des Menschen, d.h. in diesem Falle des Fahrers, in Überforderungssituationen entscheidend zu verbessern. Um dieses Potenzial tatsächlich zu erreichen und gleichzeitig auch die beim Fahrer erforderliche Akzeptanz zu erzielen, müssen die Systeme im Einklang mit den Plänen des Fahrers zum weiteren Fahrtverlauf stehen. Gerade im urbanen Verkehr mit seiner hohen Komplexität und der Vielfalt von Situationen und Handlungsoptionen ist dies von besonderer Bedeutung, um das im Vergleich zur Autobahn geringere Zeitbudget für Entscheidungen möglichst effizient zu nutzen. Wenn die Eingriffsstrategien von Fahrzeugsystemen mit den Absichten und Handlungen des Fahrers kollidieren und zu unklaren Situationen führen, würde wichtige Zeit zur Entschärfung von Verkehrskonflikten verloren gehen. Von großer Bedeutung für die richtige Abstimmung der Fahrerassistenzsysteme ist es daher, Absichten des Fahrers möglichst frühzeitig zu erkennen sowie sein Verhalten vorauszubestimmen. Dies erfordert eine, nach Möglichkeit fahrerindividuelle, situationsabhängige Verhaltensprädiktion und Intentionserkennung.

Bei der Fahrerintentionserkennung liegt der Fokus auf folgenden Fahrmanövern, mit dem Schwerpunkt städtischer „Arterien“:

• Überholen, Spurwechsel bei Annäherung an Kreuzungen, „Einfädeln“ im städtischen Bereich, Bremsen und Geschwindigkeit reduzieren

Identifikation relevanter Fahrer- und Verhaltensmerkmale für die Fahrmanöver:

• Literaturanalyse
• Gezielte Re-Analyse bestehender Datensätze aus Fahrsimulator & NDS-Studien
• Durchführung fokussierter Feldversuche auf Basis dieser Vorarbeiten

Eingesetzte Methoden:

• Realfahrtstudie (NT & AAP)
• Feldteststudien
• Akzeptanzuntersuchungen von einem exemplarischen FAS

Instrumente:

• Datenbanken
• SPSS/Diadem

Es erfolgte eine umfangreiche Evaluation des Algorithmus zur Erkennung von Spurwechseln mittels Datenbanken und SPSS zur quantitativen Untersuchung und Diadem zur qualitativen Betrachtung des Algorithmusverhaltens.
 

• Vorhersagehorizont zur Manöverprädiktion geht nicht über 10 Sekunden hinaus.
• Eine räumlich-zeitliche Analyse der Fahrerkopfbewegung scheint für eine Aussage zum Fahrer(Verhalten) ausreichend zu sein.
• Fahrer- und Umfeldinformation immer gemeinsam auswerten, nicht nur Fahrer- Daten allein.
• Für eine gute VIE müssen Fahrermodelle personenspezifisch parametrisiert sein.