Eine Möglichkeit, um die Sicherheit von Fahrzeugen zu steigern, ist der Einsatz von Fahrerassistenzsystemen. Diese unterliegen heute jedoch häufig einer geringen Nutzerakzeptanz, da die individuell verschiedenen Bedürfnisse von FahrerInnen unterschätzt werden. Um den Nutzungsgrad dieser Systeme zu erhöhen und somit deren Potenziale voll auszuschöpfen, wird in dieser Dissertation eine personalisierte Fahrstilklassifizierung dargestellt. Als Initialisierung für die Personalisierung erfolgt zunächst die Umsetzung eines regelbasierten Klassifizierungsalgorithmus. So wird der Fahrstil anhand von fahrdynamischen Größen in drei Klassen klassifiziert. Der gewählte Ansatz liefert eine robuste Klassifizierung auf Basis einer geringen Menge einzustellender Parameter, sodass eine hohe praktische Nutzbarkeit gegeben ist. Für die Umsetzung der Personalisierung werden in dieser Arbeit Methoden aus dem Bereich des maschinellen Lernens angewandt. So kommt ein neuronales Netz zum Einsatz, das zunächst auf Grundlage der regelbasierten Klassifizierung initialisiert wird. Die Personalisierung basiert auf individuellen Fahrer-Fahrzeug-Interaktionen, welche in einem inkrementellen Transfer Learning herangezogen werden. Die Potenziale der dargestellten Methodik werden in einer ProbandInnenenstudie im realen Feld aufgezeigt. Die Auswertung ergibt eine individuelle Verbesserung der Klassifizierung für die ProbandInnen von im Mittel +32 %


    Access

    Redirect to SLUB

    Check availability in my library

    Order at Subito €


    Export, share and cite



    Title :

    Personalisierte Klassifizierung des Fahrstils durch maschinelles Lernen




    Publication date :

    2023


    Size :

    xii, 149 Seiten , 21 cm x 14.8 cm, 245 g



    Type of media :

    Theses


    Type of material :

    Print


    Language :

    German



    Classification :

    BKL:    55.24 / 54.72
    RVK:    ZO 4650
    DDC:    629.272 / 620



    Personalisierte Klassifizierung des Fahrstils durch maschinelles Lernen

    Jardin, Philippe / Shaker Verlag / Technische Universität Darmstadt | TIBKAT | 2023


    Optimierung der Diagnose durch maschinelles Lernen aus Felddaten

    Waleschkowski, Norbert / Giera, Ronny | Tema Archive | 2012


    ERKENNUNG VON HANDS-OFF-SITUATIONEN DURCH MASCHINELLES LERNEN

    EIGEL THOMAS / STAHL FELIX | European Patent Office | 2021

    Free access

    Erkennung von Hands-off-Situationen durch maschinelles Lernen

    EIGEL THOMAS / STAHL FELIX | European Patent Office | 2021

    Free access

    Verbesserte Kursprädiktion durch maschinelles Lernen am Beispiel eines Kollisionswarnsystems

    Börger, Joachim / Häring, Jürgen / Palm, Günther | Tema Archive | 2010