Bibliography | Mendel, Thomas: Radar-based Object Type Classification. University of Stuttgart, Faculty of Computer Science, Electrical Engineering, and Information Technology, Diploma Thesis No. 8 (2013). 55 pages, german.
|
CR-Schema | G.3 (Probability and Statistics) I.2.6 (Artificial Intelligence Learning)
|
Abstract | Viele Fahrzeuge bieten heutzutage ein automatisches Notbremssystem, das Auffahrunfälle vorhersagen und durch eine rechtzeitige Bremsung oder ein Ausweichmanöver aktiv vermeiden kann. Für die Umsetzung solcher Funktionen ist es notwendig, dass das Fahrzeug seine Umwelt wahrnehmen kann. Für die Vorhersage einer möglichen Kollision sind vor allem die Positionen, Fahrtrichtungen und Geschwindigkeiten der umgebenden Verkehrsteilnehmer wichtig. All diese Größen können von einem Radarsystem bestimmt werden. Da solche Systeme mittlerweile auch sehr kostengünstig geworden sind, finden sie eine immer weitere Verbreitung. Um eine Notbremsfunktion angemessen umzusetzen sind jedoch noch weitere Informationen notwendig. So ist es beispielsweise ein Unterschied ob sich ein Gullideckel oder ein anderes Fahrzeug in der Fahrspur befindet - für den Gullideckel sollte keine Notbremsung eingeleitet werden. Hierzu werden von aktuell eingesetzten Verfahren weitere Merkmale berechnet und ausgewertet. Beispielsweise können auch noch die Höhe und die räumlichen Ausdehnung eines Objektes wichtige Informationen liefern. Kommende Systeme werden noch kompliziertere Entscheidungen treffen müssen. So sollte bei einer unvermeidbaren Kollision ein möglichst unkritisches Ziel getroffen werden. Beispielsweise ist es vorzuziehen mit einem geparkten Auto zu kollidieren, statt einen Fußgänger anzufahren. Um in einer solchen Situation die richtige Entscheidung zu treffen ist es notwendig geeignete Klassen zu finden um die Umgebungsobjekte zu beschreiben, sowie Mechanismen, welche diese Klassen zuverlässig unterscheiden können. Inhalt dieser Arbeit ist im ersten Schritt die Evaluierung von gängigen Algorithmen für das binäre Problem, Hindernisse von Nichthindernissen zu unterscheiden. Im Anschluss wird das verfeinerte Problem behandelt. Es werden geeignete Klassen definiert und die Konzepte aus der Hinderniserkennung, soweit möglich, auf das neue Problem angewandt um ihre Leistungsfähigkeit in diesem Umfeld zu evaluieren.
|
Department(s) | University of Stuttgart, Institute of Formal Methods in Computer Science, Algorithmic
|
Superviser(s) | Funke, Prof. Stefan |
Entry date | July 31, 2018 |
---|