Zur Seitenansicht

Titelaufnahme

Zugriffsbeschränkung
  •  Das Dokument ist frei verfügbar
Links
  • Social Media
     
     Share
  • Nachweis
  • IIIF
Dateien
Klassifikation
Zusammenfassung
  • Fahrsysteme oder Fahrerassistenzsysteme sind bereits seit einigen Jahren
    Bestandteil von Forschungsprojekten. Dabei umfassen diese meist zwei
    wesentliche Bestandteile: die Erfassung der Umwelt sowie die Generierung von
    Steuerungsbefehlen. Die Lernfähigkeit solcher Projekte gewinnt zunehmend an
    Bedeutung und ist der Hauptfokus der vorliegenden Forschungsarbeit - wobei
    Lernfähigkeit als Optimierung von Fahrverhalten verstanden wird, d.h. die
    Auswahl vom optimalen Verhalten für eine jeweilige Situation.

    Die vorliegende Arbeit setzt für die Lernfähigkeit erstmals ein System basierend
    auf Verstärkungslernen (Reinforcement Learning) ein – dies im Gegensatz zu
    bisherigen Arbeiten im ähnlichen Umfeld basierend auf Modellierung oder
    Neuronalen Netzen. Im Kern der Arbeit werden Situationen klassifiziert und für
    jede Situation eine mögliche Anzahl von Verhalten ermittelt. Durch
    Verstärkungslernen werden diese Verhalten bewertet und die entsprechenden
    Situationsbewertungen konvergieren über die Zeit. Fazit: es wird autonom
    ermittelt, welche Verhalten in einer Situation angemessen sind und welche nicht.

    Neben einer mathematischen Abhandlung über das Konvergenzverhalten von
    Verstärkungslernen-Systemen wird mit unterschiedlichen Testreihen die
    Funktionsweise des o.g. Ansatzes im Rahmen einer konkreten Implementierung
    nachgewiesen und die Konvergenz der Situationsbewertungen untersucht.
Abstract
  • Driver and Driver Assistance Systems move more and more into the focus of
    research projects. Corresponding research areas consist of two main parts: the
    understanding of the environment as well as the generation of steering
    commands. Learning capabilities gain more and more importance and is the
    main aspect of this research. In detail: the term “learning capability” represents
    the optimization of driving behaviour, i.e. the optimized situation-specific
    selection of actions.

    The current research implements first-time a system based on Reinforcement
    Learning (RL) – in contrast to many other research work using modeling or
    neural nets. In the light of Reinforcement Learning, situations are being classified
    and possible actions are being identified for each situation. Rewards following
    such actions are used for cumulated ratings which in turn converge over time. In
    the end, the cumulated ratings indicate as to how much an action was
    appropriate for the determined situation.

    After a mathematical analysis of Reinforcement Learning methods in general,
    test-series are being analyzed within the framework of a real implementation and
    convergence behaviour as well as driving capabilities are being achieved.
Inhalt
Statistik
  • Das PDF-Dokument wurde 6 mal heruntergeladen.