Online Maschinelle Lernverfahren für Anwendungen der Fahrzeugsicherheit (OLAF)

Der Einsatz von maschinellem Lernen im Bereich der Fahrzeugsicherheit nimmt zu, da man damit komplexe Beziehungen zwischen Ein- und Ausg?ngen modellieren kann. Die derzeit verwendeten maschinellen Lernans?tze sind meist Offline-Lernmethoden, bei denen das Modell in einem ausgelagertem Computer trainiert und abgestimmt wird, bevor es in einem Fahrzeug implementiert wird. Der Bereich der Online-Lernmethoden, bei dem die Modellparameter w?hrend des Betriebs angepasst werden, wird für Fahrzeugsicherheitsanwendungen noch nicht ausreichend untersucht.  
Ziel dieses Projekts ist es, Online-Lernmethoden zu erforschen, um geeignete Deeskalationsman?ver zu berechnen. Die Grundidee beruht darauf, dass Man?ver für autonome Fahrzeuge durch die Beobachtung des Verhaltens von menschlichen Fahrern erlernt werden k?nnen, da ?hnliche Verkehrsszenarien ?hnliche Reaktionen erfordern, um ein sicheres und komfortables Fahrerlebnis zu gew?hrleisten. Als Eingang für den maschinellen Lernalgorithmus wird eine kompakte Darstellung eines Verkehrsszenarios verwendet, die entweder aus Simulationen oder von Sensoren in realen Fahrzeugen generiert werden kann. Der zu erlernende Ausgang des Algorithmus ist die menschliche Fahreraktion, die die Kritikalit?t des Szenarios gering h?lt.
Die Daten von realen Fahrzeugen mit Sensoren wie LiDAR, Kamera und INS sowie Daten aus Simulationen werden verwendet, um eine hierarchische maschinelle Lernarchitektur zu trainieren, die Offline- und Online-Lernmethoden kombiniert (Abb. 1). Die erlernten Man?verentscheidungen werden mit Hilfe modellbasierter Trajektorienplanungsalgorithmen in Lenkwinkel- und Pedalpositionssignale umgewandelt. Die erforschten Methoden werden den ?bergang zur Stufe 4 des automatisierten Farhrens unterstützen, indem sie Fahrzeugtrajektorien berechnen, die die Kritikalit?t niedrig halten.

F?rdermittelgeber

F?rderkennzeichen:

VIII.2-F1116.IN/18/2

Poster