Erkennung der Querungsintention von Fußgängern für das automatisierte Fahren im städtischen Umfeld
eBook - PDF

Erkennung der Querungsintention von Fußgängern für das automatisierte Fahren im städtischen Umfeld

  1. 265 Seiten
  2. German
  3. PDF
  4. Über iOS und Android verfügbar
eBook - PDF

Erkennung der Querungsintention von Fußgängern für das automatisierte Fahren im städtischen Umfeld

Über dieses Buch

Diese Arbeit befasst sich mit der Erkennung der Querungsintention von Fußgängern, um das Situationsbewusstsein zukünftig automatisiert fahrender Fahrzeuge zu verbessern. Auf Basis einer umfassenden Analyse bestehender Definitionen und Modelle zur menschlichen Intention wird der Begriff Fußgängerintention hierzu eindeutig definiert und ein Modell zur formalen Beschreibung der Erkennung der Querungsintention entwickelt. Dieses Modell bildet die Basis für den Entwurf eines Erkennungssystems, bei dem merkmalsbasierte Methoden des maschinellen Lernens unter Verwendung der Support Vector Regression eingesetzt werden. Dabei wird der nicht direkten Beobachtbarkeit der Intention mit dem Einsatz einer beobachterbasierten Videoannotationsmethode zur Bildung der Referenz begegnet. Die Leistungsfähigkeit des entwickelten Systems wird schließlich unter Verwendung realer Videodaten evaluiert.

375,005 Studierende vertrauen auf uns

Zugang zu über 1 Million Titeln zu einem fairen monatlichen Preis.

Mit unseren Lerntools kannst du noch effizienter lernen.

Information

Jahr
2023
eBook-ISBN:
9783736968356
ISBN drucken
9783736978355
Auflage
2

Inhaltsverzeichnis

  1. Kapitel 1 Einleitung
  2. 1.1 Motivation
  3. 1.2 Zielsetzung
  4. 1.3 Aufbau der Arbeit
  5. Kapitel 2 Hintergrund der Fußgängerintentionserkennung
  6. 2.1 Definitionen und Modelle der Intention
  7. 2.2 Beobachtbares Fußgängerverhalten
  8. 2.3 Erkennung und Vorhersage von Fußgängerverhalten
  9. 2.4 Referenzmethoden
  10. 2.5 Diskussion und Bewertung
  11. Kapitel 3 Hintergrund des maschinellen Lernens
  12. 3.1 Arten des maschinellen Lernens
  13. 3.2 Support Vector Machines (SVMs)
  14. 3.3 Beurteilung maschineller Lernverfahren
  15. 3.4 Visuelle Deskriptoren für Merkmalsbasiertes Lernen
  16. 3.5 Diskussion und Bewertung
  17. Kapitel 4 Referenzbildung durchbeobachterbasierte Videoannotation
  18. 4.1 Methode
  19. 4.2 Ergebnisse
  20. 4.3 Diskussion und Bewertung
  21. Kapitel 5 Algorithmus zur Erkennung der Querungsintention
  22. 5.1 Überblick
  23. 5.2 Kontextbasierte Erkennung der Querungsintention
  24. 5.3 Posenbasierte Erweiterung zur Erkennung der Querungsintention
  25. 5.4 Training und Anwendung der SVR
  26. Kapitel 6 Evaluation
  27. 6.1 Datenbasis
  28. 6.2 Evaluationsmethodik
  29. 6.3 Ergebnisse: Kreuzvalidierung
  30. 6.4 Ergebnisse: Kontextbasierter Ansatz
  31. 6.5 Ergebnisse: Posenbasierte Erweiterung
  32. Kapitel 7 Schlussfolgerung und Ausblick
  33. Literaturverzeichnis
  34. Abbildungsverzeichnis
  35. Tabellenverzeichnis
  36. Abkürzungsverzeichnis
  37. Anhang A Details zur Berechnung der Beobachterreliabilität
  38. Anhang B Beobachterschulung und Beobachterbefragung
  39. Anhang C Details der Implementierung