Kognitive Automobile nehmen ihre Fahrumgebung sensorisch wahr, strukturieren dieses Wissen und vermögen auf der Grundlage dieser Information geeignetes Fahrverhalten zu generieren. Die Unsicherheit, die mit jedem Verarbeitungsschritt der Information verbunden ist, lässt sich durch probabilistische Modelle darstellen und durch die gesamte Kogmtionskette propagieren. Über metrische Information hinaus, sind symbolisches und relationales Wissen für die Repräsentation einer Verkehrssituation von Bedeutung. Zur Inferenz dieses Wissens werden mit Markov-Logik-Netzen und Bayes-Logikprogrammen Methoden des probabilistisch logischen Lernens vorgestellt, die sich für kognitive Automobile besonders eignen. Am Beispiel der Inferenz von Bewegungsbeziehungen zwischen Fahrzeugen wird die Leistungsfähigkeit der Methodik anhand realer Verkehrsdaten aufgezeigt. Dieser Beitrag widmet sich entsprechend in Abschnitt 2 zunächst formalen Methoden zur Wissensreprasentation für kognitive Automobile unter besonderer Berücksichtigung des Umgangs mit unsicherem und unvollständigem Wissen Abschnitt 3 stellt mit Markov- Logik-Netzen und Bayes-Logikprogrammen alternative Ansätze des probabilistisch logischen Lernens gegenüber. Erste Ergebnisse aus realen Fahrsituationen werden in Abschnitt 4 vorgestellt.
Probabilistische Inferenz für Kognitive Automobile
2008
14 Seiten, 9 Bilder, 14 Quellen
Conference paper
German
Probabilistische Methoden in der Umfeldwahrnehmung Kognitiver Automobile
Tema Archive | 2008
|Inferenz von Kreuzungsinformationen aus Flottendaten
Catalogue medicine | 2017
|