User: Guest  Login
Less Searchfields
Simple search
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...     »
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