Predictive Autonomy Lab

Das Predictive Autonomy Lab (PAL) bietet eine Simulationsumgebung, um die Interaktion zwischen Menschen und automatisierten Fahrsystemen zu untersuchen – mit Schwerpunkt auf Sicherheitsrisiken, die durch systematische Methoden des Safety Engineerings identifiziert werden.

Empirische Forschungsinfrastruktur für Safety- und Fahrverhaltensforschungen

In unserem Fahrsimulator-Labor führen wir empirische Untersuchungen zum menschlichen Fahrverhalten aus safety Perspektive durch. Mit Hilfe von Methoden des Safety Engineerings untersuchen wir sicherheitskritische Fahrsituationen, um umsetzbares Safety-Wissen aufzubauen und anzuwenden. Der Fahrsimulator ermöglicht eine genauere Modellierung des Fahrverhaltens, indem er die äußere Umgebung und die Interaktionen mit anderen Verkehrsteilnehmenden berücksichtigt. Diese kausalen Einblicke in die menschliche Entscheidungsfindung ermöglichen es die Performance von Fahrassistenzsystemen zu verbessern. Außerdem entwerfen und bewerten wir Warn- und Interventionsstrategien, die Umwelteinflüsse auf Risiko und Safety explizit berücksichtigen, wodurch sie zeitnaher, präziser und effektiver werden.

Mit dem Predictive Autonomy Lab bietet das Fraunhofer IESE sicherheitsorientierte Forschung, die die Einhaltung aktueller Standards gewährleistet und durch validierte Fahrer-Verhaltensmodelle eine kosteneffiziente Sicherheitsargumentation ermöglicht.

Download Flyer

• Expliziter Bezug zu Safety Engineering Methoden und systematischem Risikomanagement zur Ergänzung der empirischen Forschung
• Untersuchung menschlicher Entscheidungsprozesse in sicherheitskritischen Situationen, abgeleitet aus Safety Engineering Prozessen in Form von digitalen Zwillingen situationsspezifischer Fahrerzustände und -verhalten
• Verbesserte Leistung von Fahrerüberwachungssystemen in Driver Control Assistant Systems (DCAS) durch ein tieferes Verständnis menschlicher Fahrer in der Mensch-Maschinen-Interaktion und eine risikosensitive Warn- und Interventionsstrategie (weitere Details im Abschnitt DCAS)
• ADS-Systeme werden intelligenter und effizienter, um ein menschenähnliches Verständnis des menschlichen Fahrerverhaltens in gemischten Verkehrsszenarien zu erlangen
• Reduzierung unnötiger Fehlalarme und Sicherheitsinterventionen durch maßgeschneiderte Sicherheitsmodelle
• Kosteneffizientere Validierung von Sicherheitskonzepten (z. B. Fahrerübernahme oder Fahrerüberwachung)
• Validierung menschlicher Faktoren in sicherheitskritischen Fahrsituationen durch Human-in-the-Loop-Simulation
• Bewährt in internationalen Forschungsprojekten wie EcoMobility, beispielsweise durch unsere Studie im Kontext situationsbewusster dynamischer Risikobewertung zu Cut-In Verhalten auf Autobahnen. Details sind im Abschnitt Forschungshighlights zusammengefasst

• Modernes Fahrsimulator-Labor mit Ausrüstung für empirische Forschung im Automotive Bereich
• Immersiver Fahrsimulator dank dynamischem Bewegungssystem und umfangreichem audiovisuellem System
• Verhaltensforschung und Beobachtung von Testpersonen mit verschiedenen Sensortechnologien wie Eye-Trackern und Sensoren für physiologische Vitalparameter
• Immersive Fußgängersimulation mit VR-Brille und VR-Plattform

Die Erwartungen der Fahrer an präzise und sichere Überwachungssysteme werden derzeit nicht ausreichend erfüllt. Fahrer, die DCAS überwachen, sind zudem anfällig für Ablenkungen. Die heutigen Driver Monitoring Systeme (DMS) sind jedoch nach wie vor eingeschränkt: Sie gehen von Worst-Case-Fahrsituationen aus, stützen sich ausschließlich auf Daten aus dem Fahrzeuginneren und verwenden vereinfachte Warn- und Interventionslogik. Dies führt zu häufigen Fehlalarmen, die die Fahrer frustrieren und verwirren und die Marktakzeptanz untergraben, während sich die Sicherheitsvorschriften stetig weiterentwickeln und die kontinuierliche Einhaltung dieser Vorschriften zunehmend erschweren.

Unser situationssensitiver und risikobewusster Ansatz zur Fahrerüberwachung kann die Kundenakzeptanz und -zufriedenheit erhöhen. Er hilft Ihnen, bessere DMS-Lösungen zu entwickeln, die in die Safety-Engineering-Prozesse eingebettet sind, und gleichzeitig von der Beziehung zwischen identifizierten Sicherheitsrisiken und dem Verhalten des Fahrers im Fahrsimulator zu profitieren.

Unsere konkreten Wertversprechen

• Genauere und realistischere Bewertung der Aufmerksamkeit des Fahrers bei seiner Überwachungsaufgabe während der Verwendung von DCAS
  • Berücksichtigung des aktuellen Fahrrisikos und der externen Fahrsituation
  • Analyse der DCAS Mängel als zusätzlicher Input
  • Detailliertere Bewertung der Fahrer Aufmerksamkeit
• Ausgefeilte Warn- und Interventionsstrategien für eine höhere Benutzerakzeptanz und eine höhere Systemverfügbarkeit
  • Intelligente Warn- und Interventionsstrategien, die den Fahrer unterstützen, anstatt ihn zu behindern
  • Anpassungen des DCAS-Systems als zusätzliche Strategie
• Teil der etablierten systematischen Safety-Engineering- und dynamischen Risikomanagementprozesse

Methode zur Gestaltung situationssensitiver und risikobewusster DMS

• Gesteuert durch Sicherheitsziele und eingebettet in das Sicherheitskonzept
• Basierend auf modernsten dynamischen Risikomanagementkonzepten
• Maßgeschneiderter Ansatz unter Berücksichtigung der Operational Design Domain (ODD) und des Systemkontexts
• Zusammenarbeit zwischen Fachbereichsexperten, Safety Engineers und Psychologen
• Empirische Fahrerforschungsstudien im Predictive Autonomy Lab des Fraunhofer IESE
  • Immersiver Fahrsimulator mit dynamischem Bewegungssystem und umfangreichem audiovisuellem System
  • Verschiedene Sensortechnologien wie Eye-Tracker und Sensoren zur Erfassung physiologischer Vitalparameter

Eine unserer jüngsten Studien, durchgeführt im Rahmen des europäischen EcoMobility-Forschungsprojekts, im Predictive Autonomy Lab, zeigt, wie wir Simulationen mit Human-in-the-Loop nutzen, um Annahmen aus dem Bereich der Sicherheitstechnik in validierte, datenbasierte Modelle für automatisiertes Fahren zu überführen. In einem kontrollierten Autobahnszenario mit einem herannahenden Einsatzfahrzeug haben wir systematisch die verfügbare Lücke für ein mögliches Spurwechselmanöver variiert und beobachtet, wie sich menschliche Fahrer tatsächlich verhalten und was sie von anderen Fahrzeugen – einschließlich automatisierter Fahrsysteme (ADS) – erwarten. Das Experiment zeigt, dass Fahrer konsequent versuchen, die Spur zu wechseln, um Platz für das Einsatzfahrzeug zu schaffen, und dabei erwarten, dass der umliegende Verkehr kooperiert. Der Zeitpunkt dieser Spurwechsel hängt jedoch stark von der verfügbaren Lücke ab. Diese Erkenntnisse werden genutzt, um die Annahmen über die Umgebung in unserem situationsbewussten dynamischen Risikobewertungsansatz (SINADRA) zu quantifizieren und zu validieren, sodass ADS proaktiv ihren Abstand anpassen, unnötiges starkes Bremsen reduzieren und sowohl die Sicherheit als auch den Komfort im Mischverkehr verbessern können. Eine detaillierte Beschreibung des Experiments, dessen Analyse und der Integration in das Laufzeit-Sicherheitsmonitoring ist in Lorenz et al. (2026), »Situation‑Aware Dynamic Risk Assessment for Highway Cut‑Ins: Bridging Human Factors and Runtime Safety Monitoring« verfügbar (Vorabdruck: https://www.researchgate.net/publication/403039018_Situation-Aware_Dynamic_Risk_Assessment_for_Highway_Cut-Ins_Bridging_Human_Factors_and_Runtime_Safety_Monitoring ).