• Home
  • About us
  • Your Publication
  • Catalogue
  • Newsletter
  • Help
  • Account
  • Contact / Imprint
Thesis - Publication series - Conference proceedings - Reference book - Lecture notes/Textbook - Journal - CD-/DVD-ROM - Online publication
Newsletter for authors and editors - New publications service - Archive
View basket
Catalogue : Details

Philippe Jardin

Personalisierte Klassifizierung des Fahrstils durch maschinelles Lernen

FrontBack
 
ISBN:978-3-8440-9016-1
Series:Forschungsberichte Mechatronische Systeme im Maschinenbau
Herausgeber: Prof. Dr.-Ing. Stephan Rinderknecht
Darmstadt
Keywords:Fahrstil; Personalisierung; Maschinelles Lernen; Neuronale Netze; Transfer Learning; Klassifizierung
Type of publication:Thesis
Language:German
Pages:166 pages
Figures:47 figures
Weight:225 g
Format:21 x 14,8 cm
Bindung:Paperback
Price:48,80 € / 61,10 SFr
Published:March 2023
Buy:
  » plus shipping costs
Recommendation:You want to recommend this title?
Review copy:Here you can order a review copy.
Link:You want to link this page? Click here.
Export citations:
Text
BibTex
RIS
Abstract: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 %.