Fordonssystem som automatiskt styr för att undvika kollisioner med oskyddade trafikanter eller andra fordon är sedan några år ute på marknaden. Generellt sett är detta en attraktiv innovation, men den har vissa begränsningar, som kan ha negativ inverkan på den verkliga effektiviteten på systemet. En av dessa begränsningar är att styringreppen är relativt svaga för att inte störa eller distrahera föraren. De svaga styringreppen är en följd av otillräcklig förmåga att prediktera ego och kringvarande fordons framtida position. De faktorer som bidrar till att reducera prediktionsförmågan är dels mätosäkerheter i signalerna från sensorerna, men den främsta orsaken är att det är svårt att bedöma förarnas framtida beteende. Förarbeteenden tenderar att skifta snabbt när nya intryck når föraren och det finns även en koppling till vilken trafiksituation föraren befinner sig i. Det övergripande syftet med detta projekt har varit att identifiera signifikant bättre prediktionsmetoder för att komma till rätta med denna den största begränsaren i dagens system som använder automatiska styringrepp för att undvika en trafikolycka. En sammanfattande studie har genomförts där olika prediktionsmetoder undersöktes och utvärderades utifrån deras respektive för och nackdelar.

All of today’s ADAS (Advance Driver Assisted Systems) systems suffer from the problems related to unreliable external sensing information as well as a lack of understanding of the driver behaviors. The vast part of today’s research within active safety is concentrating on positive performance, i.e. performance under ideal conditions, and not so much on performance when the systems are subjected to disturbances and uncertainties, related to sensor noise or variations in driver behavior. Only a few publications address the question about driver interaction. The overall objective of this project is to reach an understanding of what it takes to increase the availability and the overall effectiveness of the systems. The ultimate vision is to be able to give support by applying automatic steering interventions in such a way that the driver does never need to override or compensate for misjudgments of the systems. A study, where all relevant methods for threat prediction were identified and analyzed, was carried out.