Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Validating Machine Learning-based Highly Automated Driving Functions by Diversity
Übersetzter Titel:
Validierung von auf maschinellem Lernen basierenden hochautomatisierten Fahrfunktionen durch Diversität
Autor:
De Candido, Oliver Thomas
Jahr:
2023
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Betreuer:
Utschick, Wolfgang (Prof. Dr.)
Gutachter:
Utschick, Wolfgang (Prof. Dr.); Botsch, Michael (Prof. Dr.); Hand, Paul E. (Prof.)
Sprache:
en
Fachgebiet:
ELT Elektrotechnik
TU-Systematik:
ELT 515
Kurzfassung:
In this dissertation, we address the challenge of validating Machine Learning (ML)-based Highly Automated Driving (HAD) functions. We develop validation safety arguments considering various aspects of ML algorithms: From the embeddings learned by different architectures, through the dataset distributions used to train them, to an interpretable design of an ML algorithm. The presented methods can be used individually or complementarily to validate various aspects of ML-based HAD functions.
Übersetzte Kurzfassung:
Wir befassen uns mit der Validierung von hochautomatisierten Fahrfunktionen, die auf den Methoden des maschinellen Lernens (ML) basieren. Wir entwickeln Sicherheitsargumente, die verschiedene Aspekte von ML-Methoden berücksichtigen: Von den Einbettungen, die von verschiedenen Architekturen gelernt werden, über die zum Training verwendeten Datensatzverteilungen bis hin zu einem interpretierbaren Entwurf der ML-Methoden. Diese Validierungsmethoden können einzeln oder ergänzend eingesetzt werden.
WWW:
https://mediatum.ub.tum.de/?id=1694959
Eingereicht am:
11.01.2023
Mündliche Prüfung:
10.10.2023
Dateigröße:
3755823 bytes
Seiten:
168
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20231010-1694959-1-7
Letzte Änderung:
04.12.2023
 BibTeX