Show simple item record

dc.date.accessioned2022-06-29T08:57:42Z
dc.date.available2022-06-29T08:57:42Z
dc.date.issued2022
dc.identifierdoi:10.17170/kobra-202206016272
dc.identifier.urihttp://hdl.handle.net/123456789/13966
dc.descriptionZugleich: Dissertation, Universität Kassel, 2022ger
dc.language.isogerger
dc.publisherkassel university press
dc.rightsNamensnennung - Weitergabe unter gleichen Bedingungen 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-sa/4.0/*
dc.subjectIntentionserkennungger
dc.subjectungeschützte Verkehrsteilnehmerger
dc.subjectmaschinelle Lernverfahrenger
dc.subjectVideoverarbeitungger
dc.subjectprobabilistische Verfahrenger
dc.subject.ddc004
dc.subject.ddc380
dc.subject.ddc600
dc.titleMaschinelle Lernverfahren zur videobasierten Intentionserkennung von Radfahrern mit stationären Kamerasger
dc.typeBuch
dcterms.abstractIm 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.ger
dcterms.abstractIn 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.eng
dcterms.accessRightsopen access
dcterms.creatorZernetsch, Stefan
dcterms.dateAccepted2022-02-02
dcterms.extentXVI, 199 Seiten
dc.contributor.corporatenameKassel, Universität Kassel, Fachbereich Elektrotechnik / Informatik
dc.contributor.refereeSick, Bernhard (Prof. Dr.)
dc.contributor.refereeDoll, Konrad (Prof. Dr.)
dc.publisher.placeKassel
dc.relation.isbn978-3-7376-1053-7
dc.subject.swdIntentionger
dc.subject.swdErkennungger
dc.subject.swdVerkehrsteilnehmerger
dc.subject.swdRadfahrerger
dc.subject.swdAutonomes Fahrzeugger
dc.subject.swdMaschinelles Lernenger
dc.subject.swdVideobearbeitungger
dc.subject.swdVorhersagbarkeitger
dc.type.versionpublishedVersion
dcterms.source.seriesIntelligent Embedded Systems
dcterms.source.volumeBand 22
kup.iskuptrue
kup.price39,00
kup.seriesIntelligent Embedded Systemseng
kup.subjectNaturwissenschaft, Technik, Informatik, Medizin
kup.typDissertation
kup.institutionFB 16 Elektrotechnik / Informatik
kup.bindingSoftcover
kup.sizeDIN A5
ubks.epflichttrue


Files in this item

Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International
Except where otherwise noted, this item's license is described as Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International