Modellierung kognitiver Prozesse für ein numerisches Fahrerverhaltensmodell

Von:

Philipp Ring

Beschreibung

Format auswählen

Kartonierter EinbandCHF 68.80

Kartonierter Einband

CHF68.80

TIEFPREIS

CHF68.80

Print on Demand - Exemplar wird für Sie besorgt.

Kostenlose Lieferung

Beschreibung

Mithilfe medienwirksamer Ankündigungen bereiten heutige Automobilhersteller die Gesellschaft auf die Einführung automatisierter Fahrfunktionen in ihren Produkten vor. Diese Fahrfunktionen sollen die, noch weitestgehend vom Menschen ausgeübte, Fahraufgabe schrittweise in verschiedenen Automatisierungslevels übernehmen und zu einer Entlastung des Fahrers und einer Erhöhung des Fahrkomforts führen. Einhergehend mit diesen Versprechen entsteht an die Automobilhersteller der Anspruch, durch geeignete Methoden eine positive Sicherheitsbilanz mit dem Einsatz neuartiger Fahrfunktionen vor der Serieneinführung nachzuweisen. Hier bieten multiagentenbasierte Verkehrssimulationen einen etablierten Ansatz für die Analyse der Wirksamkeit automatisierten Fahrens im Vergleich zu menschlichem (manuellem) Fahren. Einen wichtigen Bestandteil solcher Simulationen stellen Fahrerverhaltensmodelle dar. Diese Modelle haben zum Ziel, das menschliche (manuelle) Fahrerverhalten durch verschiedene Methoden abzubilden. Was diese Modelle eint, ist die fehlende Abbildung höherer kognitiver Prozesse, die wiederum einen wichtigen Bestandteil menschlicher Denkprozesse zur Bewältigung der Fahraufgabe darstellen. Das Ziel der Doktorarbeit ist daher die Entwicklung eines Teilmodells höherer Kognition, das ein bestehendes Fahrerverhaltensmodell zur Abbildung höherer kognitiver Prozesse befähigt. Konkret werden mit dem neuen Teilmodell komplexe Informationsverarbeitungs- und Denkprozesse wie Situationsmustererkennung, Situationsverständnis, Antizipation und Prädiktion modelliert und in die bestehende Struktur eines Fahrerverhaltensmodells integriert. Zur Anwendung kommen verschiedene Methoden aus dem Bereich der probabilistischen Modellierung und dem maschinellen Lernen. So soll ein vorausschauenderes und damit realitätsnäheres Modellverhalten erzeugt werden.