Botsch / Utschick Fahrzeugsicherheit und automatisiertes Fahren

Methoden der Signalverarbeitung und des maschinellen Lernens
1. Auflage 2020
ISBN: 978-3-446-46804-7
Verlag: Carl Hanser
Format: PDF
Kopierschutz: 1 - PDF Watermark

E-Book, Deutsch, 448 Seiten

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.

Autoren/Hrsg.

Botsch, Michael

Utschick, Wolfgang

Fachgebiete

• Technische Wissenschaften Technik Allgemein Technische Zuverlässigkeit, Sicherheitstechnik
• Technische Wissenschaften Verkehrstechnik | Transportgewerbe Intelligente & automatisierte Transportsysteme
• Technische Wissenschaften Elektronik | Nachrichtentechnik Nachrichten- und Kommunikationstechnik Signalverarbeitung
• Technische Wissenschaften Verkehrstechnik | Transportgewerbe Fahrzeugtechnik
• Mathematik | Informatik EDV | Informatik Informatik Künstliche Intelligenz Maschinelles Lernen

Inhaltsverzeichnis

1;Vorwort;6
2;Inhalt;7
3;1 Einführung in das automatisierte Fahren und die Fahrzeugsicherheit;10
3.1;1.1 Automatisiertes Fahren;10
3.2;1.2 Integrale Fahrzeugsicherheit und Unfallstatistiken;15
3.3;1.3 Schlüssel zur Wertschöpfung: Elektronikkomponenten und Signalverarbeitung;22
3.4;1.4 Übungen und Lösungen zu Kapitel 1;25
4;2 Grundlagen der Signalverarbeitung;27
4.1;2.1 Lineare Algebra;28
4.1.1;2.1.1 Definitionen und Notation;28
4.1.2;2.1.2 Einige Rechenregeln der linearen Algebra;32
4.1.3;2.1.3 Ableiten nach Vektoren und Matrizen;34
4.1.4;2.1.4 Eigenwert- und Singulärwertzerlegung; Normen von Matrizen;36
4.2;2.2 Optimierung mittels Lagrange-Multiplikatoren;40
4.2.1;2.2.1 Optimierungsaufgaben mit Gleichungsnebenbedingungen;40
4.2.2;2.2.2 Optimierungsaufgaben mit Ungleichungsnebenbedingungen;42
4.3;2.3 Wahrscheinlichkeitstheorie;44
4.3.1;2.3.1 Wahrscheinlichkeitsräume und Zufallsvariablen;44
4.3.2;2.3.2 Bedingte Wahrscheinlichkeit und Satz von Bayes;48
4.3.3;2.3.3 Begriffe aus der Informationstheorie;49
4.3.4;2.3.4 Gaußsche Zufallsvariable;50
4.3.5;2.3.5 Transformation von Zufallsvariablen;52
4.3.6;2.3.6 Zufallsprozesse;54
4.4;2.4 Lineare Systeme;58
4.4.1;2.4.1 Zeitkontinuierliche lineare Systeme;58
4.4.2;2.4.2 Zeitdiskrete lineare Systeme;59
4.4.3;2.4.3 Diskretisierung;59
4.5;2.5 Filterung von Signalen im Frequenzbereich;69
4.5.1;2.5.1 Darstellung von LZI-Systemen im Frequenzbereich;69
4.5.2;2.5.2 Tiefpass-, Bandpass- und Hochpassfilterung;71
4.5.3;2.5.3 Tiefpassfilterung von Crash-Beschleunigungssignalen;73
4.6;2.6 Übungen und Lösungen zu Kapitel 2;75
5;3 Fahrzeugmodelle und Trajektorien;98
5.1;3.1 Kollisionsmodelle für die passive Fahrzeugsicherheit;98
5.1.1;3.1.1 Masse-Feder-Dämpfer-Modelle;100
5.1.2;3.1.2 Mehrkörpersimulation und Finite-Elemente-Berechnung;108
5.2;3.2 Fahrdynamikmodelle für autonomes Fahren und die aktive Fahrzeugsicherheit;109
5.2.1;3.2.1 Relativbewegung;109
5.2.2;3.2.2 Bewegungsmodelle für Verkehrsteilnehmer;120
5.2.3;3.2.3 Wichtige Kräfte für die Fahrzeugbewegung;129
5.2.4;3.2.4 Einspurmodelle und Lenkverhalten;142
5.2.5;3.2.5 Nichtlineares Zweispurmodell;165
5.3;3.3 Trajektorienplanung und Trajektorienfolgeregler;170
5.4;3.4 Übungen und Lösungen zu Kapitel 3;181
6;4 Statistische Filterung;207
6.1;4.1 Optimale statistische Filter;207
6.2;4.2 Kalman-Filter;213
6.2.1;4.2.1 Herleitung des Kalman-Filters;214
6.2.2;4.2.2 Tracking mittels Kalman-Filter;225
6.2.3;4.2.3 Extended Kalman-Filter;234
6.3;4.3 Sensordatenfusion;235
6.4;4.4 Übungen und Lösungen zu Kapitel 4;241
7;5 Maschinelles Lernen;253
7.1;5.1 Einführung in das maschinelle Lernen;253
7.1.1;5.1.1 Klassifikation und Regression;254
7.1.2;5.1.2 Fluch der hohen Dimensionen;257
7.1.3;5.1.3 Normierung der Merkmalsvektoren;258
7.1.4;5.1.4 Parametrische und parameterfreie Methoden;258
7.1.5;5.1.5 Optimale Klassifikation und Regression;259
7.1.6;5.1.6 Maximum-Likelihood und Maximum-a-posteriori-Parameterschätzung;261
7.1.7;5.1.7 Lineare Regression und Klassifikation;263
7.1.8;5.1.8 Klassifikation mittels softmax-Funktion;272
7.1.9;5.1.9 Kernel-WDF-Schätzer, k-NN-Klassifikation und Kernel-Regression;274
7.1.10;5.1.10 Generalisierung und Bias-Variance-Zerlegung;279
7.1.11;5.1.11 Modellauswahl und Bewertung von maschinellen Lernalgorithmen;284
7.1.12;5.1.12 Stochastisches Gradientenabstiegsverfahren;290
7.1.13;5.1.13 Übersicht zur Vorgehensweise beim Supervised Learning;293
7.2;5.2 Künstliche neuronale Netze und Deep Learning;294
7.2.1;5.2.1 Deep Multilayer Perceptrons;296
7.2.2;5.2.2 Automatische Differentiation im Rückwärtsmodus (Backpropagation);300
7.2.3;5.2.3 Radial Basis Function Neural Networks;304
7.2.4;5.2.4 Deep Convolutional Neural Networks;306
7.3;5.3 Support Vector Machines;318
7.3.1;5.3.1 Support Vector Machines für Klassifikation und Kernel-Trick;318
7.3.2;5.3.2 Support Vector Machines für Regression;324
7.4;5.4 Entscheidungs- und Regressionsbäume;328
7.4.1;5.4.1 Entscheidungsbäume;328
7.4.2;5.4.2 Regressionsbäume;332
7.5;5.5 Random Forest;334
7.5.1;5.5.1 Out-Of-Bag Error;338
7.5.2;5.5.2 Merkmalsselektion mittels Random Forest;338
7.5.3;5.5.3 Proximity;340
7.6;5.6 Unsupervised Learning;343
7.6.1;5.6.1 Clusteranalyse;343
7.6.2;5.6.2 Random Forest für Unsupervised Learning;355
7.6.3;5.6.3 Autoencoder;357
7.6.4;5.6.4 Variational Autoencoder und Generative Adverserial Networks;364
7.7;5.7 Anwendungen für das sichere automatisierte Fahren;371
7.7.1;5.7.1 Kritikalitätsschätzung im Straßenverkehr;375
7.7.2;5.7.2 Prädiktion der Crashschwere;379
7.7.3;5.7.3 Trajektorienplanung zur Kollisionsvermeidung;381
7.7.4;5.7.4 Auslösung von Rückhaltesystemen;383
7.7.5;5.7.5 Clusterung von Verkehrsszenarien;386
7.7.6;5.7.6 Generierung von Szenarien mittels Variational Autoencodern;387
7.7.7;5.7.7 Stillstandserkennung;390
7.8;5.8 Übungen und Lösungen zu Kapitel 5;390
8;Notation;425
9;Literatur;433
10;Index;441

Über Autor(innen)

Botsch, Michael
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.

Utschick, Wolfgang
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.

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.