Fachbereiche | |
---|---|
Buchreihen (93) |
1310
|
Geisteswissenschaften |
2296
|
Naturwissenschaften |
5355
|
Ingenieurwissenschaften |
1747
|
Allgemeine Ingenieurwissenschaften | 285 |
Maschinenbau und Verfahrenstechnik | 842 |
Elektrotechnik | 670 |
Bergbau- und Hüttenwesen | 30 |
Architektur und Bauwesen | 73 |
Allgemein |
91
|
Leitlinien Unfallchirurgie
5. Auflage bestellen |
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 |