Cookies help us deliver our services. By using our services, you agree to our use of cookies.

Cuvillier Verlag

Publications, Dissertations, Habilitations & Brochures.
International Specialist Publishing House for Science and Economy

Cuvillier Verlag

De En Es
Modellierung kognitiver Prozesse für ein numerisches Fahrerverhaltensmodell

Hard Copy
EUR 59.95

E-book
EUR 42.90

Modellierung kognitiver Prozesse für ein numerisches Fahrerverhaltensmodell (Volume 12) (English shop)

Philipp Ring (Author)

Preview

Extract, PDF (210 KB)
Table of Contents, PDF (66 KB)

ISBN-13 (Hard Copy) 9783736972384
ISBN-13 (eBook) 9783736962385
Language Alemán
Page Number 228
Lamination of Cover matt
Edition 01
Book Series Schriftenreihe des Lehrstuhls Kraftfahrzeugtechnik
Volume 12
Publication Place Göttingen
Place of Dissertation TU Dresden
Publication Date 2020-07-21
General Categorization Dissertation
Departments Mechanical and process engineering
Automotive engineering
Keywords 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 to External Homepage https://tu-dresden.de/bu/verkehr/iad/kft
Description

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.