Cuvillier Verlag

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

Cuvillier Verlag

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

Printausgabe
EUR 81,90

E-Book
EUR 56,90

Erkennung der Querungsintention von Fußgängern für das automatisierte Fahren im städtischen Umfeld (Band 4)

Friederike Schneemann (Autor)

Vorschau

Leseprobe, PDF (170 KB)
Inhaltsverzeichnis, PDF (51 KB)

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.

ISBN-13 (Printausgabe) 9783736978355
ISBN-13 (E-Book) 9783736968356
Sprache Deutsch
Seitenanzahl 264
Umschlagkaschierung matt
Auflage 2.
Buchreihe Künstliche Intelligenz & Digitalisierung
Band 4
Erscheinungsort Göttingen
Promotionsort Bochum
Erscheinungsdatum 29.06.2023
Allgemeine Einordnung Dissertation
Fachbereiche Ingenieurwissenschaften
Schlagwörter Intentionserkennung, Fußgängersicherheit, Intention, Intentionales Handeln, Fußgängerintention, Querungsintention, Verhaltensprädiktion, Autonomes Fahren, Autonomes Fahrzeug, Maschinelles Lernen, Maschinelles Sehen, Intention Recognition, pedestrian safety, intention, intentional action, pedestrian intention, intention to cross, behavior prediction, autonomous driving, autonomous vehicle, machine learning, machine vision