Probabilistische Vorhersage von Fahrstreifenwechseln für hochautomatisiertes Fahren auf Autobahnen
Die vorliegende Arbeit stellt ein Konzept zur zeitlichen Vorhersage von Fahrstreifenwechselmanövern auf Autobahnen für Systeme zur automatischen Fahrzeugführung vor. Derartige Systeme benötigen ein Verständnis der Fahrumgebung zur konfliktfreien und nachvollziehbaren Durchführung der Fahraufgabe. Dies beinhaltet die Wahrnehmung und Interpretation der Fahrumgebung zur Erkennung und Vorhersage von Fahrmanövern des umgebenden Verkehrs.
A concept for time-related forecasts of lane change maneuvers in highway scenarios is presented within the present work. Automated driving systems rely on understanding the driving environment to fulfill their driving task transparently and safely. This involves the perception of the driving environment as well as its interpretation to detect and predict driving maneuvers of road users.
Volltext
Creative Commons Namensnennung – Weitergabe unter gleichen Bedingungen 4.0 International"
data-placement="top" data-original-title="Lizenzinformation"
style="z-index:10;float:right;padding-right:5px;cursor:help">
§
DOI: 10.5445/KSP/1000082533
Veröffentlicht am
21.05.2019
Die gedruckte Version dieser Publikation können Sie hier kaufen.
| Zugehörige Institution(en) am KIT | Institut für Mess- und Regelungstechnik mit Maschinenlaboratorium (MRT) |
| Publikationstyp | Hochschulschrift |
| Publikationsjahr | 2019 |
| Sprache | Deutsch |
| Identifikator | ISBN: 978-3-7315-0794-9 ISSN: 1613-4214 urn:nbn:de:0072-825334 KITopen-ID: 1000082533 |
| Verlag | KIT Scientific Publishing |
| Umfang | XI, 232 S. |
| Serie | Schriftenreihe / Institut für Mess- und Regelungstechnik, Karlsruher Institut für Technologie ; 043 |
| Art der Arbeit | Dissertation |
| Prüfungsdaten | 28.11.2017 |
| Schlagwörter | Fahrstreifenwechsel, Dynamische Bayes'sche Netzwerke, Maschinelles Lernen, Automatisches Fahren, lane change, dynamic Bayesian networks, machine learning, automated driving |
| Relationen in KITopen |