elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Holistische Szenenmodellierung und -Interpretation basierend auf subsymbolischen, symbolischen und probabilistischen Methoden

Pekezou Fouopi, Paulin und Srinivas, Gurucharan und Knake-Langhorst, Sascha und Köster, Frank und Niemeijer, Joshua (2018) Holistische Szenenmodellierung und -Interpretation basierend auf subsymbolischen, symbolischen und probabilistischen Methoden. VDI-Fachkonferenz Umfelderfassung im Fahrzeug, 2018-05-16 - 2018-05-17, Nürnberg, Deutschland.

[img] PDF - Nur DLR-intern zugänglich
771kB

Kurzfassung

Automatisierte Fahrzeuge benötigen eine robuste und echtzeitfähige Erfassung der Szene und der Situation. Die wichtigsten Elemente der Szene sind die dynamischen Objekte und die Szenerie. Die Situationserfassung besteht aus folgenden Teilaspekten: Die Situationsmodellierung und die Situationsinterpretation. Die Situationsmodellierung betrachtet relevante Elemente der Szene bezogen auf die Ziele und Werte des Ego-Fahrzeugs. Die Situationsinterpretation hat als Hauptaufgaben die Schätzung der Konsistenz und Relevanz von Szenenelementen, die Prädiktion der zeitlichen Entwicklung der Situation und die Schätzung der Kritikalität der Situation bezogen auf die prädizierte Entwicklung dieser Situation. Die Szenen- und Situationserfassung sind sehr komplex Aufgaben, da eine große Diversität an Eigenschaften wie Tageszeit, meteorologischen Einflüssen, Sensorrauschen, Objektklassen und Relationen zwischen Szenenobjekten berücksichtigt werden müssen. Darüber hinaus sollen die rechenaufwändigen Erfassungsalgorithmen in Echtzeit unter Beachtung von eingeschränkten Ressourcen in eingebetteten Systemen laufen. In der Literatur wurden viele Ansätze der künstlichen Intelligenz vorgeschlagen, um die Aufgaben der Szenen- und Situationserfassung zu lösen. Diese Ansätze basieren hauptsächlich auf symbolischen, subsymbolischen und probabilistischen Methoden. Während diese Methoden sehr gut erforscht sind und gute Ergebnisse liefern, ist eine Kombination der Methoden, um von deren Vorteilen zu profitieren und deren Nachteile zu kompensieren, immer noch ein offenes Problem. In dieser Arbeit wird eine holistische Betrachtung der Szene und der Situation, in der die Kontextabhängigkeiten der Szenen- und Situationselemente als Vorwissen modelliert werden, vorgeschlagen. Das vorgeschlagene System besteht aus einer Wissensbasis, die das Vorwissen über Szenen- und Situationselemente auf einer symbolischen Ebene mit Hilfe von Ontologien und Regelbasen modelliert. Das Vorwissen enthält räumliche, zeitliche und semantische Abhängigkeiten zwischen Szenen- und Situationsaspekten. Um Unsicherheiten in der Wissensbasis zu modellieren, wird das Vorwissen anhand der Konzepte aus der Ontologie in Form von probabilistischen graphischen Modellen abgebildet. Methoden des maschinellen Lernens (bspw. tiefe neuronale Netze, Ensemble Modelle, etc.), die subsymbolische Informationen verarbeiten, ergänzen das System. Zur Laufzeit wird das System verwendet, um die Szene und die Situation kontext-konsistent zu erfassen. Konzepte und Methoden zur Handhabung der Komplexität der Wissensbasis, zur Integration der Module des Systems sowie zum Umgang mit Inkonsistenzen und Unstimmigkeiten werden eingebracht. Konkrete Anwendungen des Systems werden demonstriert.

elib-URL des Eintrags:https://elib.dlr.de/119389/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Holistische Szenenmodellierung und -Interpretation basierend auf subsymbolischen, symbolischen und probabilistischen Methoden
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Pekezou Fouopi, Paulinpaulin.pekezoufouopi (at) dlr.dehttps://orcid.org/0000-0003-3583-8279NICHT SPEZIFIZIERT
Srinivas, GurucharanGurucharan.Srinivas (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Knake-Langhorst, Saschasascha.knake-langhorst (at) dlr.dehttps://orcid.org/0000-0001-7399-0939134542474
Köster, Frankfrank.koester (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Niemeijer, JoshuaJoshua.Niemeijer (at) student.uni-luebeck.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:Mai 2018
Referierte Publikation:Nein
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Nein
In ISI Web of Science:Nein
Status:veröffentlicht
Stichwörter:Deep Learning, Situationsinterpretation, Integration von Kontext, Markov Logic Networks, Semantische Segmentierung
Veranstaltungstitel:VDI-Fachkonferenz Umfelderfassung im Fahrzeug
Veranstaltungsort:Nürnberg, Deutschland
Veranstaltungsart:nationale Konferenz
Veranstaltungsbeginn:16 Mai 2018
Veranstaltungsende:17 Mai 2018
Veranstalter :VDI
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Verkehr
HGF - Programmthema:Bodengebundener Verkehr (alt)
DLR - Schwerpunkt:Verkehr
DLR - Forschungsgebiet:V BF - Bodengebundene Fahrzeuge
DLR - Teilgebiet (Projekt, Vorhaben):V - Fahrzeugintelligenz (alt)
Standort: Braunschweig
Institute & Einrichtungen:Institut für Verkehrssystemtechnik > Datenerfassung und Informationsgewinnung
Hinterlegt von: Pekezou Fouopi, Paulin
Hinterlegt am:13 Jun 2018 08:17
Letzte Änderung:24 Apr 2024 20:23

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.