Fahrerassistenzsysteme sind in der heutigen Zeit einer der erfolgversprechendsten Beiträge zu mehr Sicherheit auf unseren Straßen. Die intelligenten Helferlein unterstützen den Fahrer aktiv in kritischen Situationen oder erhöhen den Komfort während der Fahrt. Sie sind ein Meilenstein auf dem Weg zu der Vision vom unfallfreien Fahren. Mit Sensoren wie Stereokamera und Radarsystemen ausgestattete Fahrzeuge sind in der Lage die Umwelt wahrzunehmen und die Bewegungsrichtung der Verkehrsteilnehmer zu schätzen. Mit Methoden der künstlichen Intelligenz erfolgt eine Bewertung der Verkehrssituation auf Kritikalität. Je nach Kritikalität einer Situation werden unterschiedliche Warn- und Unterstützungskonzepte eingesetzt. Das Ziel ist es, den Fahrer auf eine gefährliche Situation hinzuweisen oder bei einem unvermeidbaren Unfall die Aufprallenergie durch einen Bremseingriff zu reduzieren. Gegen Auffahrunfälle im Längsverkehr gibt es bereits ein aktives Sicherheitssystem, den Bremsassistenten.

Diese Arbeit hat das Ziel die Situationsanalyse für heutige Sicherheitssysteme auf Kreuzungssituationen zu erweitern. Dazu werden Algorithmen zur frühzeitigen Erkennung von gefährlichen Kreuzungssituationen vorgeschlagen. Der Fokus des ersten Ansatzes liegt auf der Analyse aller Fahreraktionen zweier kreuzender Fahrzeuge. Die kollisionsfreien Kombinationen von Bewegungsoptionen spannen einen zusammengesetzten Aktionsraum zweier Fahrer auf. Aus diesem Aktionsraum wird eine Wahrscheinlichkeit für die Gefahr einer Situation abgeleitet. In einem Versuchsträger integriert zeigt unsere Gefahrenschätzung im Realverkehr eine hohe Performanz und Zuverlässigkeit. Die Vermeidung der Falschwarnungen solcher Systeme ist eine der Herausforderungen, die es hier zu minimieren gilt.

Gemessene Bewegungsmuster eines Fahrzeugs werden im zweiten Ansatz als Wissensbasis für eine Prognose eingesetzt. Bei mehreren Fahrzeugen lässt sich in den meisten Kreuzungssituationen eine Interaktion der Fahrer beobachten. Ein Modell für das Interaktionsverhalten ermöglicht eine realistischere Bewegungsprognose für mehrere Fahrzeuge.

Im letzten Ansatz werden Bewegungsmuster zweier kreuzender Fahrzeuge in Betracht gezogen. Ein Interaktionsverhalten zwischen den Fahrern liegt dort bereits in den Daten vor. Eine anschauliche und kompakte Repräsentation der interaktiven Bewegungsmuster zweier Fahrzeuge fungiert als Wissensbasis für eine Situationserkennung und Bewegungsprognose.