zur Hauptnavigation springenzum Inhaltsbereich springen

BayWISS-Kolleg Mobility and Transport www.baywiss.de

PhD-Projects in the Joint Academic Partnership Mobilität und Verkehr

Methoden des Unsupervised Machine Learnings für die Auswahl relevanter Verkehrsszenarien beim autonomen Fahren

Das Validieren autonomer Fahrzeuge stellt eine Schlüsseldisziplin der aktuellen Automobilforschung dar. Neben dem sich daraus ergebenden Vertrauen der Öffentlichkeit und der Kunden, stellt diese auch eine rechtliche Relevanz dar. Eine statistisch signifikante Demonstration, dass ein autonomes Fahrzeug 20% weniger Verkehrstote verursacht als der durchschnittliche deutsche Fahrer, würde mehr als 10 Milliarden gefahrene Kilometer voraussetzen (Abb. 1). Das Einfahren einer solchen Strecke ist wirtschaftlich nur schwer realisierbar. Hier wird häufig auf szenarienbasierte Ansätze zurückgegriffen. Dazu werden lediglich repräsentative Szenarien getestet. Das Identifizieren von repräsentativen, relevanten und wichtigen Szenarien leistet einen Beitrag zur Reduzierung des Testaufwands. Zusätzlich reduziert eine solche Erkennung den erforderlichen Speicherbedarf für aufgenommene Daten massiv. Das Ziel dieses Projekts ist es, mittels regelbasierter Methoden und unüberwachter maschineller Lernverfahren, neue und relevante Szenarien zu identifizieren.

MEMBER IN THE JOINT ACADEMIC PARTNERSHIP

since

Jonas Wurst

Technische Hochschule Ingolstadt

Coordinator

Get in touch. We look forward to your questions and ideas for our Joint Academic Partnership Mobility and Transportation.

Judith Demharter

Judith Demharter

Technische Hochschule Ingolstadt
Esplanade 10
85049 Ingolstadt

Telephone: +49 841 93483789
mobilitaet-verkehr.vk@baywiss.de