Vorwort	6
	Inhalt	7
	1 Einführung in das automatisierte Fahren und die Fahrzeugsicherheit	10
	1.1 Automatisiertes Fahren	10
	1.2 Integrale Fahrzeugsicherheit und Unfallstatistiken	15
	1.3 Schlüssel zur Wertschöpfung: Elektronikkomponenten und Signalverarbeitung	22
	1.4 Übungen und Lösungen zu Kapitel 1	25
	2 Grundlagen der Signalverarbeitung	27
	2.1 Lineare Algebra	28
	2.1.1 Definitionen und Notation	28
	2.1.2 Einige Rechenregeln der linearen Algebra	32
	2.1.3 Ableiten nach Vektoren und Matrizen	34
	2.1.4 Eigenwert- und Singulärwertzerlegung	36
	2.2 Optimierung mittels Lagrange-Multiplikatoren	40
	2.2.1 Optimierungsaufgaben mit Gleichungsnebenbedingungen	40
	2.2.2 Optimierungsaufgaben mit Ungleichungsnebenbedingungen	42
	2.3 Wahrscheinlichkeitstheorie	44
	2.3.1 Wahrscheinlichkeitsräume und Zufallsvariablen	44
	2.3.2 Bedingte Wahrscheinlichkeit und Satz von Bayes	48
	2.3.3 Begriffe aus der Informationstheorie	49
	2.3.4 Gaußsche Zufallsvariable	50
	2.3.5 Transformation von Zufallsvariablen	52
	2.3.6 Zufallsprozesse	54
	2.4 Lineare Systeme	58
	2.4.1 Zeitkontinuierliche lineare Systeme	58
	2.4.2 Zeitdiskrete lineare Systeme	59
	2.4.3 Diskretisierung	59
	2.5 Filterung von Signalen im Frequenzbereich	69
	2.5.1 Darstellung von LZI-Systemen im Frequenzbereich	69
	2.5.2 Tiefpass-, Bandpass- und Hochpassfilterung	71
	2.5.3 Tiefpassfilterung von Crash-Beschleunigungssignalen	73
	2.6 Übungen und Lösungen zu Kapitel 2	75
	3 Fahrzeugmodelle und Trajektorien	98
	3.1 Kollisionsmodelle für die passive Fahrzeugsicherheit	98
	3.1.1 Masse-Feder-Dämpfer-Modelle	100
	3.1.2 Mehrkörpersimulation und Finite-Elemente-Berechnung	108
	3.2 Fahrdynamikmodelle für autonomes Fahren und die aktive Fahrzeugsicherheit	109
	3.2.1 Relativbewegung	109
	3.2.2 Bewegungsmodelle für Verkehrsteilnehmer	120
	3.2.3 Wichtige Kräfte für die Fahrzeugbewegung	129
	3.2.4 Einspurmodelle und Lenkverhalten	142
	3.2.5 Nichtlineares Zweispurmodell	165
	3.3 Trajektorienplanung und Trajektorienfolgeregler	170
	3.4 Übungen und Lösungen zu Kapitel 3	181
	4 Statistische Filterung	207
	4.1 Optimale statistische Filter	207
	4.2 Kalman-Filter	213
	4.2.1 Herleitung des Kalman-Filters	214
	4.2.2 Tracking mittels Kalman-Filter	225
	4.2.3 Extended Kalman-Filter	234
	4.3 Sensordatenfusion	235
	4.4 Übungen und Lösungen zu Kapitel 4	241
	5 Maschinelles Lernen	253
	5.1 Einführung in das maschinelle Lernen	253
	5.1.1 Klassifikation und Regression	254
	5.1.2 Fluch der hohen Dimensionen	257
	5.1.3 Normierung der Merkmalsvektoren	258
	5.1.4 Parametrische und parameterfreie Methoden	258
	5.1.5 Optimale Klassifikation und Regression	259
	5.1.6 Maximum-Likelihood und Maximum-a-posteriori-Parameterschätzung	261
	5.1.7 Lineare Regression und Klassifikation	263
	5.1.8 Klassifikation mittels softmax-Funktion	272
	5.1.9 Kernel-WDF-Schätzer, k-NN-Klassifikation und Kernel-Regression	274
	5.1.10 Generalisierung und Bias-Variance-Zerlegung	279
	5.1.11 Modellauswahl und Bewertung von maschinellen Lernalgorithmen	284
	5.1.12 Stochastisches Gradientenabstiegsverfahren	290
	5.1.13 Übersicht zur Vorgehensweise beim Supervised Learning	293
	5.2 Künstliche neuronale Netze und Deep Learning	294
	5.2.1 Deep Multilayer Perceptrons	296
	5.2.2 Automatische Differentiation im Rückwärtsmodus (Backpropagation)	300
	5.2.3 Radial Basis Function Neural Networks	304
	5.2.4 Deep Convolutional Neural Networks	306
	5.3 Support Vector Machines	318
	5.3.1 Support Vector Machines für Klassifikation und Kernel-Trick	318
	5.3.2 Support Vector Machines für Regression	324
	5.4 Entscheidungs- und Regressionsbäume	328
	5.4.1 Entscheidungsbäume	328
	5.4.2 Regressionsbäume	332
	5.5 Random Forest	334
	5.5.1 Out-Of-Bag Error	338
	5.5.2 Merkmalsselektion mittels Random Forest	338
	5.5.3 Proximity	340
	5.6 Unsupervised Learning	343
	5.6.1 Clusteranalyse	343
	5.6.2 Random Forest für Unsupervised Learning	355
	5.6.3 Autoencoder	357
	5.6.4 Variational Autoencoder und Generative Adverserial Networks	364
	5.7 Anwendungen für das sichere automatisierte Fahren	371
	5.7.1 Kritikalitätsschätzung im Straßenverkehr	375
	5.7.2 Prädiktion der Crashschwere	379
	5.7.3 Trajektorienplanung zur Kollisionsvermeidung	381
	5.7.4 Auslösung von Rückhaltesystemen	383
	5.7.5 Clusterung von Verkehrsszenarien	386
	5.7.6 Generierung von Szenarien mittels Variational Autoencodern	387
	5.7.7 Stillstandserkennung	390
	5.8 Übungen und Lösungen zu Kapitel 5	390
	Notation	425
	Literatur	433
	Index	441