Benutzer: Gast  Login
Weniger Felder
Einfache Suche
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Criticality Labeling via Optimal Control and Machine Learning in Automotive Active Safety
Übersetzter Titel:
Kritikalitätsbewertung mittels Optimalsteuerung und Machine Learning in der Aktiven Fahrzeugsicherheit
Autor:
Herrmann, Stephan
Jahr:
2019
Dokumenttyp:
Dissertation
Fakultät/School:
Fakultät für Elektrotechnik und Informationstechnik
Betreuer:
Utschick, Wolfgang (Prof. Dr.)
Gutachter:
Utschick, Wolfgang (Prof. Dr.); Althoff, Matthias (Prof. Dr.)
Sprache:
en
Fachgebiet:
MSR Meßtechnik, Steuerungs- und Regelungstechnik, Automation; VER Technik der Verkehrsmittel
Stichworte:
Criticality, Situation Interpretation, Active Safety,ADAS, Advanced Driver Assistance Systems, Optimal Control, Trajectory Optimization, Direct Multiple-Shooting
Übersetzte Stichworte:
Kritikalität, Criticality, Optimal Control, Situationsinterpretation, Situation Interpretation, Aktive Sicherheit, ADAS, Advanced Driver Assistance Systems, Optimalsteuerung, Trajektorienoptimierung, trajectory planning, collision avoidance, avoidance trajectory, Direct Multiple-Shooting
TU-Systematik:
ELT 515d
Kurzfassung:
Active safety systems require a criticality or threat metric to trigger interventions like automatic emergency braking. We propose an optimal control problem (OCP) to find ground-truth labels of the criticality based on the dynamics of avoidance trajectories. Using Random Forest (RF) regression, we train an efficient criticality estimator on the ground-truth labels. The OCP labeling and RF regression are evaluated on simulated collision scenarios and on real-world test data.
Übersetzte Kurzfassung:
Aktive Sicherheitssysteme benötigen ein Kritikalitätsmaß um Funktionen wie das automatische Notbremsen auszulösen. In dieser Arbeit wird ein Optimalsteuerungsproblem (OSP) vorgestellt um Referenzwerte der Kritikalität basierend auf der Dynamik von Ausweichmanövern zu berechnen. Mittels Random Forest (RF) Regression wird ein effizienter Kritikalitätsschätzer auf den Referenzwerten trainiert. Das OSP und die RF Regression werden auf simulierten Kollisionsszenarien und auf realen Testdaten bewertet...     »
WWW:
https://mediatum.ub.tum.de/?id=1438775
Eingereicht am:
23.04.2018
Mündliche Prüfung:
07.03.2019
Dateigröße:
3976490 bytes
Seiten:
155
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20190307-1438775-1-0
Letzte Änderung:
22.05.2019
 BibTeX