Editorial Cuvillier

Publicaciones, tesis doctorales, capacitaciónes para acceder a una cátedra de universidad & prospectos.
Su editorial internacional especializado en ciencias y economia

Editorial Cuvillier

De En Es
Modellierung kognitiver Prozesse für ein numerisches Fahrerverhaltensmodell

Impresion
EUR 59,95

E-Book
EUR 51,48

Modellierung kognitiver Prozesse für ein numerisches Fahrerverhaltensmodell (Volumen 12) (Tienda española)

Philipp Ring (Autor)

Previo

Lectura de prueba, PDF (210 KB)
Indice, PDF (66 KB)

ISBN-13 (Impresion) 9783736972384
ISBN-13 (E-Book) 9783736962385
Idioma Deutsch
Numero de paginas 228
Laminacion de la cubierta mate
Edicion 01
Serie Schriftenreihe des Lehrstuhls Kraftfahrzeugtechnik
Volumen 12
Lugar de publicacion Göttingen
Lugar de la disertacion TU Dresden
Fecha de publicacion 21.07.2020
Clasificacion simple Tesis doctoral
Area Ingeniería mecánica y de proceso
Ingeniería automotriz
Palabras claves 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 para pagina web externa https://tu-dresden.de/bu/verkehr/iad/kft
Descripcion

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.