In dieser Dissertation wird ein Deep-Learning-Modell entwickelt, das die Manöverabsicht von Radfahrern an unsignalisierten Kreuzungen vorhersagt. In einem zweiten Schritt wird das Modell um eine Methode zur Quantifizierung der Vorhersageunsicherheit und zur Selbsteinschätzung seines Vertrauens anhand von Leistungsmetriken erweitert. Der durch das Modell gewonnene Informationsmehrwert wird in ein MILP-Verfahren integriert, das darauf abzielt, die Interaktionen zwischen Radfahrern und automatisierten Fahrzeugen an unsignalisierten Kreuzungen so zu lösen, dass die Verkehrssicherheit gewährleistet und die Verkehrseffizienz optimiert wird.
«
In dieser Dissertation wird ein Deep-Learning-Modell entwickelt, das die Manöverabsicht von Radfahrern an unsignalisierten Kreuzungen vorhersagt. In einem zweiten Schritt wird das Modell um eine Methode zur Quantifizierung der Vorhersageunsicherheit und zur Selbsteinschätzung seines Vertrauens anhand von Leistungsmetriken erweitert. Der durch das Modell gewonnene Informationsmehrwert wird in ein MILP-Verfahren integriert, das darauf abzielt, die Interaktionen zwischen Radfahrern und automatisier...
»