Zum Inhalt springen

DeCoint²

Die Forschungskreuzung der TH Aschaffenburg wird im Projekt DeCoint² für die anonyme Datengenerierung benötigt.
  1. Intelligent Mobility
  2. Artificial Intelligence and Data Science
  3. Intelligent Sensors and Signals

Erkennung von Absichten ungeschützter Verkehrsteilnehmer auf der Grundlage von kollektiver Intelligenz als Basis für automatisiertes Fahren.

Kooperationspartner

Förderung

DeCoInt wird von der Deutschen Forschungsgemeinschaft (DFG) im Rahmen des Schwerpunktprogramms SPP 1835 gefördert: Kooperativ interagierende Automobile (www.coincar.de), Förderkennzeichen DO 1186/1-2.

Hintergrund

Die individuelle Mobilität wird für den Verkehr und das automatisierte Fahren immer wichtiger. Sie kann die Verkehrssicherheit unterstützen und dazu beitragen, die Umweltverschmutzung und den Ressourcenverbrauch im Verkehr zu verringern. Den ungeschützten Verkehrsteilnehmern (Fußgängern, Radfahrern usw.) muss gleichermaßen hohe Aufmerksamkeit zuteil werden. Hierfür müssen ihre Absichten mithilfe eines multimodalen Sensorsystems, z. B. mit Videokameras, Laserscannern, Beschleunigungssensoren und Gyroskopen in mobilen Geräten, vorhergesagt und analysiert werden.

  • Visualisierung der Vorhersage von Bewegungsabläufen an einer Kreuzung.

    In der Visualisierung ist die Vorhersage der Bewegungsabläufe von Personen und ihrer Wege zu erkennen.

Ziele

Ziel des Projekts ist die Erkennung der Absichten ungeschützter Verkehrsteilnehmer im Verkehr mit automatisierten Fahrzeugen unter Einsatz kooperativer Technologien.

DeCoInt2 verfolgt einen ganzheitlichen, kooperativen Ansatz zur Vorhersage der Bewegungen von Personen und ihrer Trajektorien. Verschiedene Akteure (interagierende Fahrzeuge, Infrastruktur und ungeschützte Verkehrsteilnehmer, die ein Mobilgerät tragen) tauschen Informationen aus, um individuelle Modelle der Umgebung zu erstellen und so eine genaue Vorhersage der Bewegungen ungeschützter Verkehrsteilnehmer zu ermöglichen. Durch die kollektive Intelligenz der Akteure werden Ungenauigkeiten und Widersprüche in den Vorhersagen behoben.

  • Publikationen

    • V. Kress, S. Zernetsch, K. Doll, und B. Sick: Pose Based Trajectory Forecast of Vulnerable Road Users Using Recurrent Neural Networks, Pattern Recognition. ICPR International Workshops and Challenges, 2021, Springer International Publishing, pp. 57-71
    • V. Kress, S. Schreck, S. Zernetsch, K. Doll, und B. Sick: Pose Based Action Recognition of Vulnerable Road Users Using Recurrent Neural Networks, 2020 IEEE Symposium Series on Computational Intelligence (SSCI), Canberra, 2020, pp. 2723-2730
    • S. Zernetsch, S. Schreck, V. Kress, K. Doll, und B. Sick: Image Sequence Based Cyclist Action Recognition Using Multi-Stream 3D Convolution, 2020 International Conference on Pattern Recognition (ICPR), Milan, (accepted)
    • M. Goldhammer, S. Köhler, S. Zernetsch, K. Doll, B. Sick, und K. Dietmayer: Intentions of Vulnerable Road Users – Detection and Forecasting by Means of Machine Learning, 2020 IEEE Transactions on Intelligent Transportation Systems, 2020, vol. 21, no. 7, pp. 3035-3045
    • V. Kress, S. Zernetsch, K. Doll, und B. Sick: Pose Based Trajectory Forecast of Vulnerable Road Users, 2019 IEEE Symposium Series on Computational Intelligence (SSCI), Xiamen, 2019, pp. 1200-1207
    • V. Kress, J. Jung, S. Zernetsch, K. Doll, und B. Sick: Pose Based Start Intention Detection of Cyclists, 2019 IEEE 22th International Conference on Intelligent Transportation Systems (ITSC), Auckland, 2019, pp. 2381-2386
    • V. Kress, J. Jung, S. Zernetsch, K. Doll, und B. Sick: Start Intention Detection of Cyclists using an LSTM Network, INFORMATIK 2019: 50 Jahre Gesellschaft für Informatik - Informatik für Gesellschaft (Workshop-Beiträge). Bonn : Gesellschaft für Informatik e.V., 2019, S. 219-228
    • S. Zernetsch, H. Reichert, V. Kress, K. Doll, und B. Sick: Trajectory Forecasts with Uncertainties of Vulnerable Road Users by Means of Neural Networks, 2019 IEEE Intelligent Vehicles Symposium (IV), Paris, 2019
    • V. Kress, J. Jung, S. Zernetsch, K. Doll und B. Sick: Human Pose Estimation in Real Traffic Scenes, 2018 IEEE Symposium Series on Computational Intelligence (SSCI), Bangalore, 2018, pp. 518-523
    • G. Reitberger, S. Zernetsch, M. Bieshaar, B. Sick, K. Doll, und E. Fuchs: Cooperative Tracking of Cyclists Based on Smart Devices and Infrastructure, 2018 IEEE International Conference in Intelligent Transportation Systems (ITSC), Maui, 2018
    • S. Zernetsch, V. Kress, B. Sick, und K. Doll: Early Start Intention Detection of Cyclists Using Motion History Images and a Deep Residual Network, 2018 IEEE Intelligent Vehicles Symposium (IV), Chang Shu, 2018, pp. 2036-2041
    • M. Bieshaar, S. Zernetsch, A. Hubert, B. Sick, und K. Doll: Cooperative Starting Movement Detection of Cyclists Using Convolutional Neural Networks and a Boosted Stacking Ensemble IEEE Transactions on Intelligent Vehicles, 2018, 3, 534-544
    • M. Bieshaar, G. Reitberger, V. Kreß, S. Zernetsch, K. Doll und E. Fuchs, B. Sick: Highly Automated Learning for Improved Active Safety of Vulnerable Road Users, ACM Chapters Computer Science in Cars Symposium (CSCS), München, Juli 2017
    • M. Bieshaar, S. Zernetsch, M. Depping, B. Sick und K. Doll: Cooperative starting intention detection of cyclists based on smart devices and infrastructure, 2017 IEEE 20th International Conference on Intelligent Transportation Systems (ITSC), Yokohama, 2017, pp. 1-8
    • J. Eilbrecht, M. Bieshaar, S. Zernetsch, K. Doll, B. Sick und O. Stursberg: Model-predictive planning for autonomous vehicles anticipating intentions of vulnerable road users by artificial neural networks, 2017 IEEE Symposium Series on Computational Intelligence (SSCI), Honolulu, HI, 2017, pp. 1-8
    • A. Hubert, S. Zernetsch, K. Doll und B. Sick: Cyclists starting behavior at intersections: 2017 IEEE Intelligent Vehicles Symposium (IV), Los Angeles, CA, 2017, pp. 1071-1077
    • B. Maarten, G. Reitberger, S. Zernetsch, B. Sick, E. Fuchs und K. Doll: Detecting intentions of vulnerable road users based on collective intelligence, AAET – Automatisiertes und vernetztes Fahren, 04.05.2017
    • S. Zernetsch, S. Kohnen, M. Goldhammer, K. Doll und B. Sick: Trajectory Prediction of Cyclists Using a Physical Model and an Artificial Neural Network, 2016 IEEE Intelligent Vehicles Symposium, Gothenburg, Sweden, pp. 833-838
    •

Kontakt

Schnell geklickt