Was haben Sie herausgefunden? 

In unserer Forschung haben wir die Performanz verschiedener Algorithmen zur Kurzzeitprädiktion von Fußgängertrajektorien untersucht. Der Fokus lag dabei auf der Robustheit, Genauigkeit und Laufzeiteffizienz dieser Methoden, insbesondere im Hinblick auf ihre Anwendbarkeit in autonomen Fahrzeugsystemen. Dabei stellte sich heraus, dass einfache Modelle wie beispielsweise das Constant Velocity Model (CVM) weiterhin wettbewerbsfähig zu komplexeren, KI-basierten Ansätzen sind und diese in bestimmten Szenarien sogar übertreffen. Bei unserer Analyse hat sich gezeigt, dass für die Verhaltensprädiktion von Fußgängern nur die letzte Sekunde entscheiden ist.

Dies liegt daran, dass vor allem in komplexen Umgebungen wie dem Straßenverkehr Menschen ihr Verhalten schnell ändern und sich ständig dynamischen Situationen anpassen. 

Welche Herausforderungen traten während der Forschung auf? 

Auch wenn Algorithmen oft open-source verfügbar sind, was eine Analyse bestehender Methoden vereinfacht, variiert der Aufwand, ein gegebenes Modell dafür vorzubereiten. Anwendungsbezogene Aspekte wurden in den zugehörigen Veröffentlichungen oft nicht ausreichend erläutert, sodass Ausführungen zur Robustheit, Recheneffizienz oder auch Genauigkeit fehlten. Hinzu kommt, dass die genutzte Auswertemethodik oft nicht auf die reale Anwendung abzielt, sodass nicht die wahrscheinlichste Trajektorie, sondern diejenige mit dem geringsten Fehler zur Berechnung des entsprechenden Gütemaßes genutzt wird. Zudem mussten wir uns auf den populären Fußgängerdatensatz ETH/UCY beschränken, der ausschließlich Passanten auf Gehwegen enthält. Die untersuchten Modelle lassen sich deshalb nur schwer auf urbane Szenarien übertragen, da sowohl wichtige semantische Informationen wie Straßeninfrastruktur, als auch soziale Interaktionen mit Fahrzeugen fehlten. 

Wofür ist die Forschung in der Praxis sinnvoll? 

Unsere Ergebnisse sind für die Entwicklung der nächsten Generation von anwendungsorientierten Prädiktionsalgorithmen wichtig, die etwa in Fahrassistenzsystemen oder autonomen Fahrzeugen zum Einsatz kommen. Unsere Experimente werden in Zukunft helfen, gezielt eine Auswahl relevanter Informationen für KI-basierte Methoden zu treffen. Das macht sie sicherer und erffizienter. Zudem konnten die Ergebnisse zeigen, dass für eine Vielzahl von Szenarien auch einfachere (nicht KI-gestützte) Modelle eingesetzt werden können, was weniger Rechenressourcen in mobilen Systemen erfordert. Abschließend haben wir den Eindruck gewonnen, dass ggf. eine Unterteilung in „diskrete Aktionen“ wie Gehen oder Stoppen sinnvoller sein könnte als den Fokus auf die reine Bewegung der Personen zu legen. Insofern bietet das Forschungsfeld der Prädiktion noch ausreichen

Publikation

Evaluating Pedestrian Trajectory Prediction Methods With Respect to Autonomous Driving; Nico Uhlmann, Felix Fent, Markus Lienkamp; IEEE Transactions on Intelligent Transportation Systems; 2024