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.

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.