In dieser Arbeit werden drei neue Repräsentations-Lernverfahren vorgestellt, welche das Clustering und die Neuheitserkennung von Verkehrsszenarien verbessern. Solche Verkehrsszenarien werden für das Validieren von autonomen Fahrzeugen mittels szenariobasiertem Testen benötigt. Es wird gezeigt, dass die Anreicherung der drei vorgestellten Verfahren mit Domänenwissen die Erkennungsgenauigkeit erhöht. Zusätzlich werden Verfahren für das Clustering, die Neuheitserkennung und die Kritikalitätserkennung für Verkehrsszenarien vorgestellt.
Jonas Wurst
Domain Knowledge Guided Representation Learning for Traffic Scenarios
MEMBER IN THE JOINT ACADEMIC PARTNERSHIP
from to
Joint Academic Partnership Mobility and Transport
Supervisor Technische Hochschule Ingolstadt:
Prof. Dr. Michael Botsch
Forschungsschwerpunkte:
- Methoden des maschinellen Lernens für das sichere automatisierte Fahren
- Aktive und integrale Fahrzeugsicherheit
- Trajektorienplanung.
Webseite an der THI: https://www.thi.de/elektro-und-informationstechnik/personen/prof-dr-ing-michael-botsch
Projects:
- Interaktionsbasierte Trajektorienprädiktion zur zuverlässigen Kollisionvermeidung für Sicherheitsfunktionen (ITraKS)
- Domain Knowledge Guided Representation Learning for Traffic Scenarios
- Validation Machine Learning-based Highly Automated Driving Functions by Diversity
- Validation of Machine Learning Algorithms by Design with Applications for Automated Driving
- Forschungsprojekt »Sichere Unfallprognose – Situationsinterpretation«
- Hybrid Machine Learning Methods for Vehicle Safety Applications
- Erprobungssystematik für automatisiertes Fahren
- Interpretable AI-based Representations for Prediction Tasks in Automated Driving
- Open-Set recognition for infrastructure based perception systems
Supervisor Technical University of Munich:
Prof. Dr. Wolfgang Utschick
Professur für Methoden der Signalverarbeitung
Fakultät für Elektrotechnik und Informationstechnik
Technische Universität München
Forschungsschwerpunkte:
- Signal processing
- Signal optimization
- Information theory
Projects:
- Forschungsprojekt »Sichere Unfallprognose – Situationsinterpretation«
- Hybrid Machine Learning Methods for Vehicle Safety Applications
- Validation of Machine Learning Algorithms by Design with Applications for Automated Driving
- Validation Machine Learning-based Highly Automated Driving Functions by Diversity
- Domain Knowledge Guided Representation Learning for Traffic Scenarios
- Interaktionsbasierte Trajektorienprädiktion zur zuverlässigen Kollisionvermeidung für Sicherheitsfunktionen (ITraKS)
- Interpretable AI-based Representations for Prediction Tasks in Automated Driving
- Open-Set recognition for infrastructure based perception systems
- Erprobungssystematik für automatisiertes Fahren
Jonas Wurst
Technische Hochschule Ingolstadt
Publikationen und Poster
Jonas Wurst; Lakshman Balasubramanian; Michael Botsch; Wolfgang Utschick, 06/2022, Expert-LaSTS: Expert-Knowledge Guided Latent Space for Traffic Scenarios, Aachen, Germany, DOI:10.1109/IV51971.2022.9827187
Lakshman Balasubramanian; Jonas Wurst; Robin Egolf; Michael Botsch; Wolfgang Utschick; Ke Deng, 10/2022, ExAgt: Expert-guided Augmentation for Representation Learning of Traffic Scenarios, Macau, China, DOI:10.1109/ITSC55140.2022.9922453
Kruber F., Balasubramanian L., Wurst J., Botsch M., 09/2021, „Methodische KI-Ansätze zur Identifizierung von relevanten Verkehrsszenarien“, Ingolstadt, Konferenz: Safety Assist 2021
Wurst J, Balasubramanian L, Botsch M und Utschick W, Novelty Detection and Analysis of Traffic Scenario Infrastructures in the Latent Space of a Vision Transformer-Based Triplet Autoencoder, Nagoya, Japan (Online), DOI: 10.1109/IV48863.2021.9575730, Konferenz: 2021 IEEE Intelligent Vehicles Symposium (IV)
Wurst, J., Flores Fernández, A., Botsch M., Utschick, W., 2020, An Entropy Based Outlier Score and its Application to Novelty Detection for Road Infrastructure Images. IEEE Intelligent Vehicles Symposium, Las Vegas 2020, DOI: 10.1109/IV47402.2020.9304733, Peer-Reviewed
