Betrachtet man die Verkehrsszenarien mikroskopisch, so gibt es eine unendliche Anzahl von Szenarien. Dennoch folgen sie bestimmten Mustern. Die Identifizierung von Ähnlichkeiten in Szenarien hilft, den Aufwand für die Validierung von automatisierten Fahrsystemen zu reduzieren. In dieser Arbeit wird eine Methode vorgeschlagen, die Verkehrsdaten aus Drohnenaufnahmen generiert. Diese Daten werden ClusteringVerfahren eingespeist, welches mittels unüberwachtem Lernen Muster erkennt.
Friedrich Kruber
Aerial Capturing and Machine Learning Techniques for Clustering and Analysis of Traffic Scenarios for Automated Driving
MITGLIED IM KOLLEG
von bis
Verbundkolleg Mobilität & Verkehr
Betreuer Technische Universität München:
Prof. Dr. Wolfgang Utschick
Professur für Methoden der Signalverarbeitung
Fakultät für Elektrotechnik und Informationstechnik
Technische Universität München
Forschungsschwerpunkte:
- Signal processing
- Signal optimization
- Information theory
Betreute Projekte:
- The Crash Severity Predictor - A Machine Learning driven Approach to reliably predict Vehicle Crash Parameters and Quality Measures
- 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
- Aerial Capturing and Machine Learning Techniques for Clustering and Analysis of Traffic Scenarios for Automated Driving
Betreuer Technische Hochschule Ingolstadt:
Prof. Dr.-Ing. 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
Betreute Projekte:
- 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
- The Crash Severity Predictor - A Machine Learning driven Approach to reliably predict Vehicle Crash Parameters and Quality Measures
- Hybrid Machine Learning Methods for Vehicle Safety Applications
- Aerial Capturing and Machine Learning Techniques for Clustering and Analysis of Traffic Scenarios for Automated Driving
- Interpretable AI-based Representations for Prediction Tasks in Automated Driving
- Open-Set recognition for infrastructure based perception systems
Friedrich Kruber
Technische Hochschule Ingolstadt
Publikationen und Poster
F. Kruber, 2025, Drohnenaufnahmen und maschinelles Lernen für das Clustering und die Analyse von Verkehrsszenarien für automatisiertes Fahren, mediaTUM - Medien- und Publikationsserver
F. Kruber, E. Sánchez Morales, R. Egolf, J. Wurst, S. Chakraborty and M. Botsch, 2022, Micro- and Macroscopic Road Traffic Analysis using Drone Image Data, Leibniz Transactions on Embedded Systems, DOI:10.4230/LITES.8.1.2.
Kruber F., Balasubramanian L., Wurst J., Botsch M., 09/2021, „Methodische KI-Ansätze zur Identifizierung von relevanten Verkehrsszenarien“, Ingolstadt, Konferenz: Safety Assist 2021 (www.carhs.de/)
Kruber, F., Sánchez Morales, E., Chakraborty S., Botsch, M.,2020: Vehicle Position Estimation with Aerial Imagery from Unmanned Aerial Vehicles. IEEE Intelligent Vehicles Symposium, Las Vegas, 2020 https://ieeexplore.ieee.org/document/9304794
F. Kruber, E. Sánchez Morales, S. Chakraborty and M. Botsch, "Vehicle Position Estimation with Aerial Imagery from Unmanned Aerial Vehicles", IEEE Intelligent Vehicles Symposium, Las Vegas, 2020. [ arxiv ]
E. Sanchez, F. Kruber, M. Botsch, B. Huber and A. García, "Accuracy Characterization of the Vehicle State Estimation from Aerial Imagery", IEEE Intelligent Vehicles Symposium, Las Vegas, 2020. [ arxiv ]
- An Unsupervised Random Forest Clustering Technique for Automatic Traffic Scenario Categorization in 21st IEEE International Conference on Intelligent Transportation Systems, 2018
- Unsupervised and Supervised Learning with the Random Forest Algorithm for Traffic Scenario Clustering and Classification in 30th IEEE Intelligent Vehicles Symposium, 2019
- Highway traffic data - macroscopic, microscopic and criticality analysis for capturing relevant traffic scenarios and traffic modeling based on the highD data set in arxiv.org (open access platform), 2019
