Robuste Prädiktion von Verkehrsteilnehmern in einer urbanen Umgebung
MITGLIED IM KOLLEG
seit
Prof. Dr.-Ing. Nikolaus Mueller
- Autonomes Fahren, vor allem modellbasierter Ansatz
- Ansteuerverfahren von mehrphasigen elektrischen Maschinen
Betreutes Projekt:
Robuste Prädiktion von Verkehrsteilnehmern in einer urbanen Umgebung
Prof. Dr. Bernd Ludwig
Forschungsschwerpunkte:
- Sprachbasierte Assistenzsysteme
- Food Recommender Systems
- Conversational Interfaces für eHealth-Systeme
Betreute Projekte:
- Evaluierung der Akzeptanz-und Leistungsmanipulation der Mensch-Maschine-Interaktion kognitiv-immersiver Assistenzsysteme durch Fehlereinflüsse und Informationskonfidenz
- Spracherkennung und -synthese in deutscher Sprache mithilfe Künstlicher Intelligenz
- Robuste Prädiktion von Verkehrsteilnehmern in einer urbanen Umgebung
- Anforderungsorientierte Optimierung, Evaluation und Validierung der praktischen Inhalte der Lehre in der Medizinischen Informatik in Hochschulen für angewandte Wissenschaften (HAW)
- Intersektorale Kommunikation und Datenaustausch zwischen ambulanter / (teil-) stationärer Altenpflege und Haus- / Facharzt
Stefan Kerscher
Technische Hochschule Deggendorf
Intention Recognition and Prediction of Vulnerable Traffic Participants
Understanding the intentions of traffic participants and predicting their future motion is an important task in the domain of autonomous driving. The knowledge of the future states of the traffic participants enriches the internal environment model of the car and supports the planning of the own motion. The better the current situation is understood, the more safety critical situations can be avoided by the autonomous vehicle.
For predicting non-holonomic and inert objects like cars, motion models can give us a good short-term prediction. Including environment models and the fact that vehicles are mostly bound to streets, we can shrink the solution space and conclude for future maneuvers. Doing this for pedestrians which have more degrees of freedom in their motion might require additional features. This work includes the research on suitable feature sets for predicting vulnerable traffic participants and improve the robustness and precision of the prediction results.
