|
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 |
|