Datum
2022Autor
Zernetsch, StefanSchlagwort
004 Informatik 380 Handel, Kommunikation, Verkehr 600 Technik IntentionErkennungVerkehrsteilnehmerRadfahrerAutonomes FahrzeugMaschinelles LernenVideobearbeitungVorhersagbarkeitMetadata
Zur Langanzeige
Buch
Maschinelle Lernverfahren zur videobasierten Intentionserkennung von Radfahrern mit stationären Kameras
Zusammenfassung
Im Verkehr der Zukunft werden sich immer mehr automatisierte Fahrzeuge die Straße mit Radfahrern teilen. Um eine sichere Interaktion zu gewährleisten, müssen automatisierte Fahrzeuge neben der aktuellen Position eines Radfahrers auch dessen zukünftige Positionen schätzen. Während moderne Fahrzeuge mit Fahrerassistenzsystemen ausgestattet sind, kommt es besonders an dicht befahrenen Knotenpunkten, wie innerstädtischen Verkehrskreuzungen, häufig zu Verdeckungssituationen durch andere Verkehrsteilnehmer. Diese Situationen können durch infrastrukturbasierte Kameras aufgelöst werden. Durch höhergelegene Anbringungsorte der Kameras können Verdeckungssituationen vermieden und eine hochgenaue Modellierung des Fahrzeugumfeldes generiert werden. In der vorliegenden Arbeit werden maschinelle Lernverfahren zur videobasierten Intentionserkennung bei Radfahrern entwickelt und evaluiert. Die für die Untersuchungen verwendeten Videodaten werden durch ein Weitwinkel-Stereokamerasystem, bestehend aus zwei hochauflösenden Kameras, erfasst. Ziel ist die Intentionserkennung bei Radfahrern. Hierzu zählen sowohl die Detektion des Bewegungszustandes des Radfahrers, wie z. B. Warten oder Losfahren als auch die Vorhersage der zukünftigen Positionen. Zu den Kernthemen der Arbeit gehören die Einbeziehung von Videodaten in den Intentionserkennungsprozess, die Verwendung von geschätzten Bewegungszuständen zur Verbesserung der Trajektorienprädiktion und die Entwicklung von probabilistischen Verfahren zur Trajektorienprädiktion. Durch die Einbeziehung von Videodaten wurden in den Bereichen der Bewegungszustandsdetektion und der Trajektorienprädiktion deutliche Verbesserungen im Vergleich zu positionsbasierten Methoden erzielt. Im Bereich der probabilistischen Trajektorienprädiktion konnte durch die Kombination aus Bewegungszustandsdetektion und Trajektorienprädiktion ein Verfahren entwickelt werden, welches den aktuellen Stand der Technik übertrifft.
In the traffic of the future, more and more automated vehicles will share the road with cyclists. Automated vehicles must, in addition to detecting the current positions of cyclists, forecast cyclists’ future positions to ensure safe interaction. While modern vehicles are equipped with driver assistance systems, occlusion situations by other road users often occur, especially at busy intersections, such as inner-city traffic junctions. Infrastructure-based cameras can resolve these situations. By mounting the cameras at higher elevations, occlusion situations can be resolved, and the environment of the vehicle can be modeled with high accuracy. In the present work, machine learning methods for video-based intention detection of cyclists are developed and evaluated. The video data used for the studies are acquired by a wide-angle stereo-camera system consisting of two high-definition cameras. The goal is to detect the intentions of cyclists. This includes both the detection of the cyclist’s motion state, such as. waiting or starting, as well as the forecast of future positions. The core topics of this work include the incorporation of video data into the intention detection process, the use of estimated motion states to improve trajectory forecasts, and the development of probabilistic methods for trajectory forecasting. By incorporating video data, significant improvements were achieved in the areas of motion state detection and trajectory forecast compared to position-based methods. In the area of probabilistic trajectory forecast, the combination of motion state detection and trajectory forecast enabled the development of a method that surpasses the current state of the art.
Zusätzliche Informationen
Zugleich: Dissertation, Universität Kassel, 2022Druckausgabe
Link zu kassel university pressZitieren
@book{doi:10.17170/kobra-202206016272,
author={Zernetsch, Stefan},
title={Maschinelle Lernverfahren zur videobasierten Intentionserkennung von Radfahrern mit stationären Kameras},
publisher={kassel university press},
year={2022}
}
0500 Oax 0501 Text $btxt$2rdacontent 0502 Computermedien $bc$2rdacarrier 1100 2022$n2022 1500 1/ger 2050 ##0##http://hdl.handle.net/123456789/13966 3000 Zernetsch, Stefan 4000 Maschinelle Lernverfahren zur videobasierten Intentionserkennung von Radfahrern mit stationären Kameras / Zernetsch, Stefan 4030 4060 Online-Ressource 4085 ##0##=u http://nbn-resolving.de/http://hdl.handle.net/123456789/13966=x R 4204 \$dBuch 4170 5550 {{Intention}} 5550 {{Erkennung}} 5550 {{Verkehrsteilnehmer}} 5550 {{Radfahrer}} 5550 {{Autonomes Fahrzeug}} 5550 {{Maschinelles Lernen}} 5550 {{Videobearbeitung}} 5550 {{Vorhersagbarkeit}} 7136 ##0##http://hdl.handle.net/123456789/13966
2022-06-29T08:57:42Z 2022-06-29T08:57:42Z 2022 doi:10.17170/kobra-202206016272 http://hdl.handle.net/123456789/13966 Zugleich: Dissertation, Universität Kassel, 2022 ger kassel university press Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International http://creativecommons.org/licenses/by-sa/4.0/ Intentionserkennung ungeschützte Verkehrsteilnehmer maschinelle Lernverfahren Videoverarbeitung probabilistische Verfahren 004 380 600 Maschinelle Lernverfahren zur videobasierten Intentionserkennung von Radfahrern mit stationären Kameras Buch Im Verkehr der Zukunft werden sich immer mehr automatisierte Fahrzeuge die Straße mit Radfahrern teilen. Um eine sichere Interaktion zu gewährleisten, müssen automatisierte Fahrzeuge neben der aktuellen Position eines Radfahrers auch dessen zukünftige Positionen schätzen. Während moderne Fahrzeuge mit Fahrerassistenzsystemen ausgestattet sind, kommt es besonders an dicht befahrenen Knotenpunkten, wie innerstädtischen Verkehrskreuzungen, häufig zu Verdeckungssituationen durch andere Verkehrsteilnehmer. Diese Situationen können durch infrastrukturbasierte Kameras aufgelöst werden. Durch höhergelegene Anbringungsorte der Kameras können Verdeckungssituationen vermieden und eine hochgenaue Modellierung des Fahrzeugumfeldes generiert werden. In der vorliegenden Arbeit werden maschinelle Lernverfahren zur videobasierten Intentionserkennung bei Radfahrern entwickelt und evaluiert. Die für die Untersuchungen verwendeten Videodaten werden durch ein Weitwinkel-Stereokamerasystem, bestehend aus zwei hochauflösenden Kameras, erfasst. Ziel ist die Intentionserkennung bei Radfahrern. Hierzu zählen sowohl die Detektion des Bewegungszustandes des Radfahrers, wie z. B. Warten oder Losfahren als auch die Vorhersage der zukünftigen Positionen. Zu den Kernthemen der Arbeit gehören die Einbeziehung von Videodaten in den Intentionserkennungsprozess, die Verwendung von geschätzten Bewegungszuständen zur Verbesserung der Trajektorienprädiktion und die Entwicklung von probabilistischen Verfahren zur Trajektorienprädiktion. Durch die Einbeziehung von Videodaten wurden in den Bereichen der Bewegungszustandsdetektion und der Trajektorienprädiktion deutliche Verbesserungen im Vergleich zu positionsbasierten Methoden erzielt. Im Bereich der probabilistischen Trajektorienprädiktion konnte durch die Kombination aus Bewegungszustandsdetektion und Trajektorienprädiktion ein Verfahren entwickelt werden, welches den aktuellen Stand der Technik übertrifft. In the traffic of the future, more and more automated vehicles will share the road with cyclists. Automated vehicles must, in addition to detecting the current positions of cyclists, forecast cyclists’ future positions to ensure safe interaction. While modern vehicles are equipped with driver assistance systems, occlusion situations by other road users often occur, especially at busy intersections, such as inner-city traffic junctions. Infrastructure-based cameras can resolve these situations. By mounting the cameras at higher elevations, occlusion situations can be resolved, and the environment of the vehicle can be modeled with high accuracy. In the present work, machine learning methods for video-based intention detection of cyclists are developed and evaluated. The video data used for the studies are acquired by a wide-angle stereo-camera system consisting of two high-definition cameras. The goal is to detect the intentions of cyclists. This includes both the detection of the cyclist’s motion state, such as. waiting or starting, as well as the forecast of future positions. The core topics of this work include the incorporation of video data into the intention detection process, the use of estimated motion states to improve trajectory forecasts, and the development of probabilistic methods for trajectory forecasting. By incorporating video data, significant improvements were achieved in the areas of motion state detection and trajectory forecast compared to position-based methods. In the area of probabilistic trajectory forecast, the combination of motion state detection and trajectory forecast enabled the development of a method that surpasses the current state of the art. open access Zernetsch, Stefan 2022-02-02 XVI, 199 Seiten Kassel, Universität Kassel, Fachbereich Elektrotechnik / Informatik Sick, Bernhard (Prof. Dr.) Doll, Konrad (Prof. Dr.) Kassel 978-3-7376-1053-7 Intention Erkennung Verkehrsteilnehmer Radfahrer Autonomes Fahrzeug Maschinelles Lernen Videobearbeitung Vorhersagbarkeit publishedVersion Intelligent Embedded Systems Band 22 true 39,00 Intelligent Embedded Systems Naturwissenschaft, Technik, Informatik, Medizin Dissertation FB 16 / Elektrotechnik / Informatik Softcover DIN A5 true
Die folgenden Lizenzbestimmungen sind mit dieser Ressource verbunden: