Ein selbstlernender Optimierungsalgorithmus zur virtuellen Steuergeräteapplikation

Marco Scheffmann stellt einen neuartigen multikriteriellen Lösungsalgorithmus für die Erzeugung optimaler Datensätze von Fahrzeugsteuergeräten vor. Im Gegensatz zu verbreiteten, zumeist evolutionären Ansätzen wendet der Autor hier einen Ansatz des bestärkenden Lernens an. Infolge der eigenständigen Entwicklung zielgerichteter Handlungsstrategien kann damit auf sonst häufig eingesetzte vorangestellte Methoden der statistischen Versuchsplanung und der Metamodellbildung verzichtet werden. Zur subjektiven Betrachtung von optimierten Datensätzen dient ihm die echtzeitfähige Verkopplung der vollbeweglichen Fahrsimulation mit virtualisierten Steuergeräten. Seine abschließende Probandenstudie bestätigt die Ergebnisse des vorgestellten methodischen Ansatzes.

Autorentext

Marco Scheffmann hat nach seinem Studium an der Universität Stuttgart am Institut für Fahrzeugtechnik Stuttgart (IFS) der Universität Stuttgart im Bereich Kraftfahrzeugmechatronik promoviert. Zurzeit arbeitet er am Stuttgarter Fahrsimulator im Bereich der virtuellen Applikation.

Inhalt
Rewardfunktion zur Bewertung kooperativer Handlungen.- Netzwerkarchitektur der selbstlernenden Optimierung.- Verkopplung des Fahrsimulators.- Expertenstudie.