Fahrzeugsicherheit und automatisiertes Fahren (eBook)

Methoden der Signalverarbeitung und des maschinellen Lernens

Michael Botsch, Wolfgang Utschick (Autoren)

eBook Download: PDF

2020
448 Seiten
Carl Hanser Verlag GmbH & Co. KG
978-3-446-46804-7 (ISBN)

Infos

Signalverarbeitung und maschinelles Lernen für das automatisierte Fahren
Dieses Buch behandelt Methoden der Signalverarbeitung und des maschinellen Lernens, die in der integralen Fahrzeugsicherheit und für das automatisierte Fahren benötigt werden. Es vermittelt die mathematischen Grundlagen, um eigene Algorithmen für automatisierte Eingriffe in die Fahrzeugführung zu entwerfen und zu implementieren. Das Buch wendet sich an Ingenieure/-innen aus dem Bereich Automotive sowie an Studierende und Promovierende der Ingenieurwissenschaften.
Folgende Themen werden behandelt:
- Maschinelles Lernen (inklusive Deep Learning): Grundlagen und Anwendungen für das automatisierte Fahren, Convolutional Neural Networks, Random Forest, Autoencoder
- Statistische Signalverarbeitung: Grundlagen der statistischen Filterung sowie Tracking von Objekten in der Fahrzeugumgebung, Kalman-Filter, Fusion von Sensordaten
- Fahrzeugmodelle und Trajektorien: Fahrdynamikmodelle für die aktive Fahrzeugsicherheit und das automatisierte Fahren, Trajektorienplanung und Trajektorienfolgeregler, Kollisionsmodelle für die passive Fahrzeugsicherheit
- Zeit- und Frequenzdarstellung von Signalen (z. B. Filterung von Beschleunigungssignalen in Airbag-Steuergeräten)
- Mathematische Grundlagen für den Entwurf von Algorithmen: Lineare Algebra, Optimierung, Wahrscheinlichkeitstheorie und Lineare Systeme
Die einzelnen Schwerpunkte werden durch Übungsaufgaben mit Musterlösungen veranschaulicht. Für Übungsaufgaben, bei denen es erforderlich ist, werden Matlab-Skripte zur Verfügung gestellt.

Prof. Dr.-Ing. Michael Botsch ist Professor für Fahrzeugsicherheit und Signalverarbeitung an der Technischen Hochschule Ingolstadt. Zuvor war er als Entwicklungsingenieur im Bereich der integralen Fahrzeugsicherheit bei der AUDI AG tätig. Er vertritt in Forschung und Lehre Methoden der Signalverarbeitung und des maschinellen Lernens in Automotive-Anwendungen.
Prof. Dr.-Ing. Wolfgang Utschick vertritt das Fachgebiet 'Methoden der Signalverarbeitung' an der Fakultät für Elektrotechnik und Informationstechnik der Technischen Universität München. Seine Schwerpunkte in Lehre und Forschung liegen auf dem Gebiet der statistischen Signalverarbeitung, der mathematischen Optimierung und des maschinellen Lernens für drahtlose Sensor- und Kommunikationssysteme. In seinen jüngeren Forschungsarbeiten beschäftigt er sich zudem mit Fragestellungen der Fahrzeugsicherheit und dem automatisierten Fahren.

Inhalt

Vorwort 6
Inhalt 7
1 Einführung in das automatisierte Fahren und die Fahrzeugsicherheit 10
1.1 Automatisiertes Fahren 10
1.2 Integrale Fahrzeugsicherheit und Unfallstatistiken 15
1.3 Schlüssel zur Wertschöpfung: Elektronikkomponenten und Signalverarbeitung 22
1.4 Übungen und Lösungen zu Kapitel 1 25
2 Grundlagen der Signalverarbeitung 27
2.1 Lineare Algebra 28
2.1.1 Definitionen und Notation 28
2.1.2 Einige Rechenregeln der linearen Algebra 32
2.1.3 Ableiten nach Vektoren und Matrizen 34
2.1.4 Eigenwert- und Singulärwertzerlegung Normen von Matrizen
2.2 Optimierung mittels Lagrange-Multiplikatoren 40
2.2.1 Optimierungsaufgaben mit Gleichungsnebenbedingungen 40
2.2.2 Optimierungsaufgaben mit Ungleichungsnebenbedingungen 42
2.3 Wahrscheinlichkeitstheorie 44
2.3.1 Wahrscheinlichkeitsräume und Zufallsvariablen 44
2.3.2 Bedingte Wahrscheinlichkeit und Satz von Bayes 48
2.3.3 Begriffe aus der Informationstheorie 49
2.3.4 Gaußsche Zufallsvariable 50
2.3.5 Transformation von Zufallsvariablen 52
2.3.6 Zufallsprozesse 54
2.4 Lineare Systeme 58
2.4.1 Zeitkontinuierliche lineare Systeme 58
2.4.2 Zeitdiskrete lineare Systeme 59
2.4.3 Diskretisierung 59
2.5 Filterung von Signalen im Frequenzbereich 69
2.5.1 Darstellung von LZI-Systemen im Frequenzbereich 69
2.5.2 Tiefpass-, Bandpass- und Hochpassfilterung 71
2.5.3 Tiefpassfilterung von Crash-Beschleunigungssignalen 73
2.6 Übungen und Lösungen zu Kapitel 2 75
3 Fahrzeugmodelle und Trajektorien 98
3.1 Kollisionsmodelle für die passive Fahrzeugsicherheit 98
3.1.1 Masse-Feder-Dämpfer-Modelle 100
3.1.2 Mehrkörpersimulation und Finite-Elemente-Berechnung 108
3.2 Fahrdynamikmodelle für autonomes Fahren und die aktive Fahrzeugsicherheit 109
3.2.1 Relativbewegung 109
3.2.2 Bewegungsmodelle für Verkehrsteilnehmer 120
3.2.3 Wichtige Kräfte für die Fahrzeugbewegung 129
3.2.4 Einspurmodelle und Lenkverhalten 142
3.2.5 Nichtlineares Zweispurmodell 165
3.3 Trajektorienplanung und Trajektorienfolgeregler 170
3.4 Übungen und Lösungen zu Kapitel 3 181
4 Statistische Filterung 207
4.1 Optimale statistische Filter 207
4.2 Kalman-Filter 213
4.2.1 Herleitung des Kalman-Filters 214
4.2.2 Tracking mittels Kalman-Filter 225
4.2.3 Extended Kalman-Filter 234
4.3 Sensordatenfusion 235
4.4 Übungen und Lösungen zu Kapitel 4 241
5 Maschinelles Lernen 253
5.1 Einführung in das maschinelle Lernen 253
5.1.1 Klassifikation und Regression 254
5.1.2 Fluch der hohen Dimensionen 257
5.1.3 Normierung der Merkmalsvektoren 258
5.1.4 Parametrische und parameterfreie Methoden 258
5.1.5 Optimale Klassifikation und Regression 259
5.1.6 Maximum-Likelihood und Maximum-a-posteriori-Parameterschätzung 261
5.1.7 Lineare Regression und Klassifikation 263
5.1.8 Klassifikation mittels softmax-Funktion 272
5.1.9 Kernel-WDF-Schätzer, k-NN-Klassifikation und Kernel-Regression 274
5.1.10 Generalisierung und Bias-Variance-Zerlegung 279
5.1.11 Modellauswahl und Bewertung von maschinellen Lernalgorithmen 284
5.1.12 Stochastisches Gradientenabstiegsverfahren 290
5.1.13 Übersicht zur Vorgehensweise beim Supervised Learning 293
5.2 Künstliche neuronale Netze und Deep Learning 294
5.2.1 Deep Multilayer Perceptrons 296
5.2.2 Automatische Differentiation im Rückwärtsmodus (Backpropagation) 300
5.2.3 Radial Basis Function Neural Networks 304
5.2.4 Deep Convolutional Neural Networks 306
5.3 Support Vector Machines 318
5.3.1 Support Vector Machines für Klassifikation und Kernel-Trick 318
5.3.2 Support Vector Machines für Regression 324
5.4 Entscheidungs- und Regressionsbäume 328
5.4.1 Entscheidungsbäume 328
5.4.2 Regressionsbäume 332
5.5 Random Forest 334
5.5.1 Out-Of-Bag Error 338
5.5.2 Merkmalsselektion mittels Random Forest 338
5.5.3 Proximity 340
5.6 Unsupervised Learning 343
5.6.1 Clusteranalyse 343
5.6.2 Random Forest für Unsupervised Learning 355
5.6.3 Autoencoder 357
5.6.4 Variational Autoencoder und Generative Adverserial Networks 364
5.7 Anwendungen für das sichere automatisierte Fahren 371
5.7.1 Kritikalitätsschätzung im Straßenverkehr 375
5.7.2 Prädiktion der Crashschwere 379
5.7.3 Trajektorienplanung zur Kollisionsvermeidung 381
5.7.4 Auslösung von Rückhaltesystemen 383
5.7.5 Clusterung von Verkehrsszenarien 386
5.7.6 Generierung von Szenarien mittels Variational Autoencodern 387
5.7.7 Stillstandserkennung 390
5.8 Übungen und Lösungen zu Kapitel 5 390
Notation 425
Literatur 433
Index 441

Produkt-Details

• Erscheint lt. Verlag: 8.6.2020
• Sprache: deutsch
• Themenwelt: Technik ► Elektrotechnik / Energietechnik
• Schlagworte: Algorithmen • Automatisiertes Fahren • Autonomes Fahren • Deep learning • Fahrdynamikmodelle • Fahrzeugsicherheit • Kalman-Filter • Künstliche Neuronale Netze • machine learning • Sensordatenfusion • Signalverarbeitung • Trajektorienplanung
• ISBN-10: 3-446-46804-8 / 3446468048
• ISBN-13: 978-3-446-46804-7 / 9783446468047