Detection and prediction of lane-changes: A study to infer driver intent using support vector machine

Abstract: Examensarbetet som behandlas i rapporten har utförts i samarbete med Scania CV AB i Södertälje och institutionen för maskinkonstruktion på KTH i Stockholm. Scania CV AB är en ledande tillverkare av tunga lastbilar, bussar samt industri- och marinmotorer. Med allt tuffare krav på trafiksäkerhet för fordon under utveckling har en ny generationen av säkerhetssystem växt fram, Advanced Driver Assistance Systems (ADAS). De här nya systemen försöker inte bara att minska effekterna av en olycka utan även förhindra dess uppkomst. Det ställer stora krav på att systemen enbart ingriper när det behövs och inte motarbetar föraren under normal körning. Därför är det av intresse att undersöka hur en förares handlingar och intentioner avspeglas i sensorvärden för att i slutändan kunna förbättra säkerhetssystemens beslutsförmåga i olika situationer. I projektet har en studie gjorts för att se om det finns tydliga mönster i sensorvärden utöver blinkers, inför och under ett filbyte på motorväg med en lastbil. Syftet med studien var att undersöka hur den här typen av problem kan lösas, estimera vilka noggrannheter som kan uppnås samt ta reda på vilken uppsättning sensorer som behövs för att lösa problemet. Utifrån den konceptevaluering som gjordes valdes metoden support vector machine (SVM) för detta mönsterigenkänningsproblem. För att träna upp och testa algoritmen användes riktig fordonsdata insamlad under motorvägskörning. Algoritmen kunde utifrån datat med 82% noggrannhet korrekt detektera om föraren utförde en filhållnings- eller filbytesmanöver. Algoritmen kunde också snabbt detektera en filbytesmanöver innan det första hjulet korsade filmarkeringen. Med tillgängliga sensorer i testfordonet kunde inga mönster hittas i förarrelaterade sensorvärden inför ett filbyte som skulle avspegla dennes intentioner. Därför föreslogs en ny metod för att istället avgöra vad föraren borde vilja göra givet en situation genom att titta på omvärldsdata. Med hjälp av denna information kunde antalet felklassificeringar mellan filbytes- och filhållningsmanövrar minskas med 8 procentenheter.