Cycle Safely

Diese Arbeit präsentiert den Entwurf und die Implementierung einer End-to-End-Pipeline zur Kollisionsvorhersage und -erkennung, die speziell auf Radfahrer zugeschnitten ist. Das primäre Ziel besteht darin, potenzielle Kollisionen zwischen dem Radfahrer (Ego-Agent) und anderen Verkehrsteilnehmern, insbesondere motorisierten Fahrzeugen, vorherzusagen, die aufgrund ihrer höheren Bewegungsenergie und Geschwindigkeit ein höheres Risiko darstellen. Die vorgeschlagene Pipeline integriert konventionelle Techniken für die Lösung der Teilprobleme wie Objekterkennung, Objektverfolgung und Trajektorienvorhersage. Konkret wird SFA3D für die Erkennung von 3D-Objekten verwendet, ein Kalman-Filter-basierter Multi-Objekt-Tracker für die zeitliche Zuordnung und ein auf maschinellem Lernen basierendes Modell (PRECOG) werden für die Vorhersage zukünftiger Trajektorien angepasst und trainiert. Um das Training und die Entwicklung des Vorhersagemodells zu unterstützen, wird ein synthetischer Datensatz zum Radfahren erstellt, indem die Bewegung von Radfahrern und die Interaktion mit anderen Verkehrsteilnehmern mit dem CARLA-Fahrsimulator simuliert werden. Das System wird anhand des synthetischen Datensatzes und auch anhand des realen KITTI-Datensatzes evaluiert, und zusätzliche Ablationsstudien untersuchen den Beitrag jeder Pipeline-Stufe. Experimente zeigen, dass der vorgeschlagene Ansatz in der Lage ist, zuverlässige Leistungen bei der Objekterkennung und -verfolgung zu erzielen. Dies bestätigt, dass eine solche Pipeline auch unter begrenzten Sensormöglichkeiten mit Zugang nur zu LIDAR- und GPS/IMU-Messungen möglich ist. Die Trajektorienvorhersage bleibt jedoch eine schwierige und rechenintensive Aufgabe, vor allem aufgrund des Mangels an dokumentierten und leicht einsetzbaren Open-Source-Modellen. Der Beitrag enthält auch ein Visualisierungsframework, das auf dem Rerun-Tool basiert und die interaktive Überprüfung der Zwischen- und Endergebnisse der Pipeline ermöglicht. Insgesamt bietet diese Arbeit ein praxisnahes Framework für die Erkennung von Fahrradunfällen, gibt Einblicke in die Kombination konventioneller und maschineller Lernmethoden in solchen Pipelines und ermittelt wichtige Einschränkungen und Ansatzpunkte für zukünftige Arbeiten zur Verbesserung der Trajektorienvorhersage in schwierigen Verkehrssituationen.