Cookies helfen uns bei der Bereitstellung unserer Dienste. Durch die Nutzung unserer Dienste erklären Sie sich damit einverstanden, dass wir Cookies setzen.

Cuvillier Verlag

30 Jahre Kompetenz im wissenschaftlichen Publizieren
Internationaler Fachverlag für Wissenschaft und Wirtschaft

Cuvillier Verlag

De En Es
Modellierung kognitiver Prozesse für ein numerisches Fahrerverhaltensmodell

Printausgabe
EUR 59,95

E-Book
EUR 42,90

Modellierung kognitiver Prozesse für ein numerisches Fahrerverhaltensmodell (Band 12)

Philipp Ring (Autor)

Vorschau

Leseprobe, PDF (210 KB)
Inhaltsverzeichnis, PDF (66 KB)

ISBN-13 (Printausgabe) 9783736972384
ISBN-13 (E-Book) 9783736962385
Sprache Deutsch
Seitenanzahl 228
Umschlagkaschierung matt
Auflage 01
Buchreihe Schriftenreihe des Lehrstuhls Kraftfahrzeugtechnik
Band 12
Erscheinungsort Göttingen
Promotionsort TU Dresden
Erscheinungsdatum 21.07.2020
Allgemeine Einordnung Dissertation
Fachbereiche Maschinenbau und Verfahrenstechnik
Fahrzeugtechnik
Schlagwörter Fahrerverhaltensmodelle, Fahrerverhaltensmodellierung, Modellierung, Fahrerverhalten, numerisches Fahrerverhaltensmodell, Kognition, kognitive Prozesse, Antizipation, Prädiktion, Situationsmustererkennung, Situationsverständnis, manuelles Fahren, höhere Kognition, Informationsverarbeitung, Denkprozesse, Multiagentensimulation, Fahraufgabe, Situationsverständnis, Situationsbewusstsein, Situationsprojektion, Situationsbewertung, Fahrermodell, Fahrermodellierung, virtueller Fahrer, Driver behavior models, driver behavior modeling, modeling, driver behavior, numerical driver behavior model, cognition, cognitive processes, anticipation, prediction, situation pattern recognition, situation understanding, manual driving, higher cognition, information processing, thinking processes, multi-agent simulation, driving task, situation understanding, situation awareness, situation projection, situation evaluation, driver model, driver modeling, virtual driver, information processing, long term memory, knowledge structures, situation awareness, Wissensstrukturen, Situationsbewusstsein, Mustererkennung, pattern recognition, angle width, Arbeitsgedächtnis, working memory, Denkprozesse, thinking processes, reply selection, Antwortausführung, reply execution, Hirnstrukturen, brain structures, motivational models
URL zu externer Homepage https://tu-dresden.de/bu/verkehr/iad/kft
Beschreibung

Mithilfe medienwirksamer Ankündigungen bereiten heutige Automobilhersteller die Gesellschaft auf die Einführung automatisierter Fahrfunktionen in ihren Produkten vor. Diese Fahrfunktionen sollen die, noch weitestgehend vom Menschen ausgeübte, Fahraufgabe schrittweise in verschiedenen Automatisierungslevels übernehmen und zu einer Entlastung des Fahrers und einer Erhöhung des Fahrkomforts führen. Einhergehend mit diesen Versprechen entsteht an die Automobilhersteller der Anspruch, durch geeignete Methoden eine positive Sicherheitsbilanz mit dem Einsatz neuartiger Fahrfunktionen vor der Serieneinführung nachzuweisen. Hier bieten multiagentenbasierte Verkehrssimulationen einen etablierten Ansatz für die Analyse der Wirksamkeit automatisierten Fahrens im Vergleich zu menschlichem (manuellem) Fahren. Einen wichtigen Bestandteil solcher Simulationen stellen Fahrerverhaltensmodelle dar. Diese Modelle haben zum Ziel, das menschliche (manuelle) Fahrerverhalten durch verschiedene Methoden abzubilden. Was diese Modelle eint, ist die fehlende Abbildung höherer kognitiver Prozesse, die wiederum einen wichtigen Bestandteil menschlicher Denkprozesse zur Bewältigung der Fahraufgabe darstellen. Das Ziel der Doktorarbeit ist daher die Entwicklung eines Teilmodells höherer Kognition, das ein bestehendes Fahrerverhaltensmodell zur Abbildung höherer kognitiver Prozesse befähigt. Konkret werden mit dem neuen Teilmodell komplexe Informationsverarbeitungs- und Denkprozesse wie Situationsmustererkennung, Situationsverständnis, Antizipation und Prädiktion modelliert und in die bestehende Struktur eines Fahrerverhaltensmodells integriert. Zur Anwendung kommen verschiedene Methoden aus dem Bereich der probabilistischen Modellierung und dem maschinellen Lernen. So soll ein vorausschauenderes und damit realitätsnäheres Modellverhalten erzeugt werden.