Klassifikation von Fahrbahnzuständen mittels Datenfusion

Das Ziel dieser Arbeit ist, einen Fahrbahnzustandsklassifikator zu entwickeln, welcher sowohl heute zur Verfügung stehende Signale im Fahrzeug als auch Wetterdienstinformationen sowie maschinelle Lernverfahren innerhalb der digitalen Bildverarbeitung verwendet. Mit einer gezielten Informationsfusion wird eine probabilistische Differenzierung innerhalb der Fahrbahnzustandsklassen trocken, nass und winterlich ermöglicht. In Abhängigkeit der einzelnen Wahrscheinlichkeiten kann dann nicht nur auf einen repräsentativen Reibbeiwert für die drei eingangs erwähnten Hauptklassen, sondern auch auf etwaige Mischzustände geschlossen werden. Im Rahmen dessen werden Messdaten unter anderem auf öffentlichen Straßen erhoben um zunächst unterschiedliche Fahrbahnzustandsklassifikatoren innerhalb unterschiedlicher Domänen aufzubauen und anschließend zu validieren. Aus den Klassifikationsebenen geht hervor, dass diese alleine nicht ausreichen, um eine hinreichende Verfügbarkeit und Robustheit zu realisieren. Aus diesem Grund erfolgt eine gewichtete Fusion auf Basis der individuellen Richtigerkennungsraten je Fahrbahnzustand, sodass eine durchschnittliche Erkennungsrate von 99,6% erzielt wird.