Fahrerassistenzsysteme benötigen ein umfassendes Situationsverständnis. Wichtig dafür ist die Identifizierung relevanter Merkmale. Diese bestimmen die Art der Modellierung, den Ressourcenaufwand und die Effektivität des Systems. Erstmalig wird mit dieser Arbeit eine automatisierte Merkmalsauswahl basierend auf der Mutual Information auf reale Fahrzeug- und Umfeldmessdaten angewendet und deren Relevanz für kollisionsvermeidende Fahrerassistenzsysteme untersucht. Die Ergebnisse der Auswahl werden für den Random-Forest-Klassifikator zur Fahrerintentionserkennung eingesetzt. Deutliche Verbesserungen der Klassifikationsergebnisse bereits bei wenigen Merkmalen lassen auf methodische Überlegenheit gegenüber Expertenauswahl schließen. Merkmalsauswahl mit Mutual Information stellt damit ein wirkungsvolles Werkzeug für die Entwicklung von Fahrerassistenzsystemfunktionen dar.
Ermittlung relevanter Merkmale in komplexen Verkehrssituationen. Anwendung von Mutual Information Feature Selection auf Fahrzeug- und Sensormessdaten für Fahrerassistenzsysteme
Identification of relevant features in complex road traffic situations. Application of Mutual Information Feature Selection for vehicle and sensor measurement data for advanced driver assistance systems
2010
16 Seiten, 4 Bilder, 2 Tabellen, 12 Quellen
Conference paper
German
Ermittlung relevanter Merkmale in komplexen Verkehrssituationen
British Library Conference Proceedings | 2010
|Automotive engineering | 2014
|European Patent Office | 2022
|