Domain Knowledge Guided Representation Learning for Traffic Scenarios
Übersetzter Titel:
Domänenwissen gestützte Repräsentations-Lernverfahren für Verkehrsszenarien
Autor:
Wurst, Jonas
Jahr:
2024
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Institution:
Methoden der Signalverarbeitung (Prof. Utschick)
Betreuer:
Utschick, Wolfgang (Prof. Dr.)
Gutachter:
Utschick, Wolfgang (Prof. Dr.); Botsch, Michael (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
ELT 515
Kurzfassung:
This work presents three novel representation learning methods that improve the clustering and novelty detection of traffic scenarios. Such traffic scenarios are required for scenario-based testing to validate autonomous vehicles. It is shown that the domain knowledge-based guidance of the three representation learning methods is increasing the identification performance. The work additionally presents alternative clustering, novelty detection and criticality detection approaches for traffic scenarios.
«
This work presents three novel representation learning methods that improve the clustering and novelty detection of traffic scenarios. Such traffic scenarios are required for scenario-based testing to validate autonomous vehicles. It is shown that the domain knowledge-based guidance of the three representation learning methods is increasing the identification performance. The work additionally presents alternative clustering, novelty detection and criticality detection approaches for traffic sce...
»
Übersetzte Kurzfassung:
In dieser Arbeit werden drei neue Repräsentations-Lernverfahren vorgestellt, welche das Clustering und die Neuheitserkennung von Verkehrsszenarien verbessern. Solche Verkehrsszenarien werden für das Validieren von autonomen Fahrzeugen mittels szenariobasiertem Testen benötigt. Es wird gezeigt, dass die Anreicherung der drei vorgestellten Verfahren mit Domänenwissen die Erkennungsgenauigkeit erhöht. Zusätzlich werden Verfahren für das Clustering, die Neuheitserkennung und die Kritikalitätserkennung für Verkehrsszenarien vorgestellt.
«
In dieser Arbeit werden drei neue Repräsentations-Lernverfahren vorgestellt, welche das Clustering und die Neuheitserkennung von Verkehrsszenarien verbessern. Solche Verkehrsszenarien werden für das Validieren von autonomen Fahrzeugen mittels szenariobasiertem Testen benötigt. Es wird gezeigt, dass die Anreicherung der drei vorgestellten Verfahren mit Domänenwissen die Erkennungsgenauigkeit erhöht. Zusätzlich werden Verfahren für das Clustering, die Neuheitserkennung und die Kritikalitätserkenn...
»