Das Human Centered Design (HCD) intelligenter Transportsysteme erfordert Computermodelle menschlichen Verhaltens und menschlicher Kognition, die als Fahrermodelle in Verkehrssimulationen verwendet werden können. Die gängige Vorgehensweise bei ihrer Entwicklung ist die Entwicklung von Softwareprototypen auf der Basis der Regelungstheorie oder regelbasierter Ansätze der Künstlichen Intelligenz, Diese Prototypen werden dann im Nachhinein auf Usability und empirische Validität überprüft. Im Gegensatz dazu schlagen wir eine Alternative auf Basis des maschinellen Lernens und der Stochastik vor: die Schätzung Bayesscher Fahrermodelle aus Verhaltensdaten. Die resultierenden Bayesian Autonomous Driver (BAD) Models sind im Prinzip empirisch valide, wenn die in den Daten enthaltenen statistischen Relationen und bedingten Unabhängigkeiten schon bei der Konstruktion berücksichtigt wurden. BAD Modelle können so modelliert werden, dass sie in der Lage sind, komplexe Fähigkeiten in einfachere Basisfähigkeiten zu zerlegen, oder umgekehrt: BAD Mixtureof-Behaviors (BAD MoB) Modelle. Hier wird die effiziente Implementierung eines solchen BAD MoB Modells beschrieben. Das Modell wird zur autonomen Echtzeitsteuerung eines simulierten Fahrzeugs eingesetzt. Es ist in der Lage, komplexes Verhalten verschiedener Kompetenzlevel (Levels of Expertise) durch das Mischen und Aneinanderreihen einfacherer Verhaltensweisen zu erzeugen.
Lernen eines modularen Bayesian Autonomus Driver Mixture-of-Behavior (BAD MoB) Modells
2010
14 Seiten, 7 Bilder, 16 Quellen
Aufsatz (Konferenz)
Deutsch
Autonomus Mobility Applique System (AMAS) JCTD
NTIS | 2011
|Autonomus Systems Control Design Using Neuro-Evolution
IEEE | 2022
|