User: Guest  Login
If you experience problems opening the document, please try this link.
Original title:
Validating Machine Learning-based Highly Automated Driving Functions by Diversity
Translated title:
Validierung von auf maschinellem Lernen basierenden hochautomatisierten Fahrfunktionen durch Diversität
Author:
De Candido, Oliver Thomas
Year:
2023
Document type:
Dissertation
Faculty/School:
TUM School of Computation, Information and Technology
Advisor:
Utschick, Wolfgang (Prof. Dr.)
Referee:
Utschick, Wolfgang (Prof. Dr.); Botsch, Michael (Prof. Dr.); Hand, Paul E. (Prof.)
Language:
en
Subject group:
ELT Elektrotechnik
TUM classification:
ELT 515
Abstract:
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.
Translated abstract:
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
Date of submission:
11.01.2023
Oral examination:
10.10.2023
File size:
3755823 bytes
Pages:
168
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20231010-1694959-1-7
Last change:
04.12.2023
 BibTeX