Fahrerintentionserkennung und Kursprädiktion mit erweiterten maschinellen Lernverfahren
Dissertation
Faculties
Fakultät für Ingenieurwissenschaften und InformatikAbstract
Vorausschauende Fahrerassistenzsysteme benötigen eine präzise Kenntnis über den zukünftigen Verlauf der Verkehrssituation; dieser kann in Echtzeitsystemen nur anhand vorheriger Beobachtungen geschätzt werden. Im Anwendungsbeispiel wird der Fokus auf die Schätzung der Fahrerintention und des zukünftigen Fahrzeugkurses gelegt, welche in der Form diskreter Manöver oder einer kontinuierlichen Größe vorhergesagt werden. Die Abbildung eines solch komplexen Anwendungsfalls auf die formale Ebene der Klassifikation wird durch eine saubere Problembeschreibung sowie die Definition der zu optimierenden Kriterien ermöglicht.
Im methodischen Kern dieser Arbeit wird ein Modell zur Zeitreihenanalyse erarbeitet, welches für die Fahrerassistenz Prädiktionen zukünftiger diskreter Ereignisse als auch kontinuierlicher Signalverläufe ermöglicht. Diese komplexen Schätzungen werden durch verschiedene Verfahren Maschinellen Lernens durchgeführt, die anhand von Trainingsdaten die relevanten Indikatorsignale und deren Abbildung auf die Schätzgröße suchen. Dafür werden zwei bekannte Algorithmen neu miteinander kombiniert: Der Zeitreihencharakter der Daten wird durch Hidden Markov Modelle strukturiert, während die hohe Dimensionalität und Komplexität der Eingangssignale durch den Random Forest Algorithmus berechnet wird.
Date created
2013
Subject headings
[GND]: Fahrerassistenzsystem | Hidden-Markov-Modell | Maschinelles Lernen | Zeitreihenanalyse[LCSH]: Driver assistance systems
[MeSH]: Man-machine systems
[Free subject headings]: Kollisionswarnsystem | Radarsensorik | Random Forest Algorithmus
[DDC subject group]: DDC 620 / Engineering & allied operations
Metadata
Show full item recordDOI & citation
Please use this identifier to cite or link to this item: http://dx.doi.org/10.18725/OPARU-2509
Börger, Joachim (2013): Fahrerintentionserkennung und Kursprädiktion mit erweiterten maschinellen Lernverfahren. Open Access Repositorium der Universität Ulm und Technischen Hochschule Ulm. Dissertation. http://dx.doi.org/10.18725/OPARU-2509
Citation formatter >