Criticality Labeling via Optimal Control and Machine Learning in Automotive Active Safety

Herrmann, Stephan

Elektrotechnik

Back
Back to start of result list
Permanent link for displayed object

If you experience problems opening the document, please try this link.

Original title:: Criticality Labeling via Optimal Control and Machine Learning in Automotive Active Safety
Translated title:: Kritikalitätsbewertung mittels Optimalsteuerung und Machine Learning in der Aktiven Fahrzeugsicherheit
Author:: Herrmann, Stephan
Year:: 2019
Document type:: Dissertation
Faculty/School:: Fakultät für Elektrotechnik und Informationstechnik
Advisor:: Utschick, Wolfgang (Prof. Dr.)
Referee:: Utschick, Wolfgang (Prof. Dr.); Althoff, Matthias (Prof. Dr.)
Language:: en
Subject group:: MSR Meßtechnik, Steuerungs- und Regelungstechnik, Automation; VER Technik der Verkehrsmittel
Keywords:: Criticality, Situation Interpretation, Active Safety,ADAS, Advanced Driver Assistance Systems, Optimal Control, Trajectory Optimization, Direct Multiple-Shooting
Translated keywords:: 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
TUM classification:: ELT 515d
Abstract:: 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.
Translated abstract:: 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. «
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
Date of submission:: 23.04.2018
Oral examination:: 07.03.2019
File size:: 3976490 bytes
Pages:: 155
Urn (citeable URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20190307-1438775-1-0
Last change:: 22.05.2019
BibTeX

Occurrences:

mediaTUM Gesamtbestand Elektronische Prüfungsarbeiten Fachgebiet Technik der Verkehrsmittel

mediaTUM Gesamtbestand Einrichtungen Schools TUM School of Computation, Information and Technology Prüfungsarbeiten Dissertationen

mediaTUM Gesamtbestand Elektronische Prüfungsarbeiten Fachgebiet Elektrotechnik

mediaTUM Gesamtbestand Hochschulbibliographie 2019 Fakultäten Elektrotechnik und Informationstechnik Methoden der Signalverarbeitung (Prof. Utschick)

mediaTUM Gesamtbestand Elektronische Prüfungsarbeiten Fachgebiet Meßtechnik, Steuerungs- und Regelungstechnik, Automation

mediaTUM Gesamtbestand Elektronische Prüfungsarbeiten School TUM School of Computation, Information and Technology Computer Engineering

mediaTUM Gesamtbestand Elektronische Prüfungsarbeiten School TUM School of Computation, Information and Technology