Fahrzeugsicherheit und automatisiertes Fahren

1 - Vorwort [Seite 6]
2 - Inhalt [Seite 7]
3 - 1 Einführung in das automatisierte Fahren und die Fahrzeugsicherheit [Seite 10]
3.1 - 1.1 Automatisiertes Fahren [Seite 10]
3.2 - 1.2 Integrale Fahrzeugsicherheit und Unfallstatistiken [Seite 15]
3.3 - 1.3 Schlüssel zur Wertschöpfung: Elektronikkomponenten und Signalverarbeitung [Seite 22]
3.4 - 1.4 Übungen und Lösungen zu Kapitel 1 [Seite 25]
4 - 2 Grundlagen der Signalverarbeitung [Seite 27]
4.1 - 2.1 Lineare Algebra [Seite 28]
4.1.1 - 2.1.1 Definitionen und Notation [Seite 28]
4.1.2 - 2.1.2 Einige Rechenregeln der linearen Algebra [Seite 32]
4.1.3 - 2.1.3 Ableiten nach Vektoren und Matrizen [Seite 34]
4.1.4 - 2.1.4 Eigenwert- und Singulärwertzerlegung [Seite 36]
4.2 - 2.2 Optimierung mittels Lagrange-Multiplikatoren [Seite 40]
4.2.1 - 2.2.1 Optimierungsaufgaben mit Gleichungsnebenbedingungen [Seite 40]
4.2.2 - 2.2.2 Optimierungsaufgaben mit Ungleichungsnebenbedingungen [Seite 42]
4.3 - 2.3 Wahrscheinlichkeitstheorie [Seite 44]
4.3.1 - 2.3.1 Wahrscheinlichkeitsräume und Zufallsvariablen [Seite 44]
4.3.2 - 2.3.2 Bedingte Wahrscheinlichkeit und Satz von Bayes [Seite 48]
4.3.3 - 2.3.3 Begriffe aus der Informationstheorie [Seite 49]
4.3.4 - 2.3.4 Gaußsche Zufallsvariable [Seite 50]
4.3.5 - 2.3.5 Transformation von Zufallsvariablen [Seite 52]
4.3.6 - 2.3.6 Zufallsprozesse [Seite 54]
4.4 - 2.4 Lineare Systeme [Seite 58]
4.4.1 - 2.4.1 Zeitkontinuierliche lineare Systeme [Seite 58]
4.4.2 - 2.4.2 Zeitdiskrete lineare Systeme [Seite 59]
4.4.3 - 2.4.3 Diskretisierung [Seite 59]
4.5 - 2.5 Filterung von Signalen im Frequenzbereich [Seite 69]
4.5.1 - 2.5.1 Darstellung von LZI-Systemen im Frequenzbereich [Seite 69]
4.5.2 - 2.5.2 Tiefpass-, Bandpass- und Hochpassfilterung [Seite 71]
4.5.3 - 2.5.3 Tiefpassfilterung von Crash-Beschleunigungssignalen [Seite 73]
4.6 - 2.6 Übungen und Lösungen zu Kapitel 2 [Seite 75]
5 - 3 Fahrzeugmodelle und Trajektorien [Seite 98]
5.1 - 3.1 Kollisionsmodelle für die passive Fahrzeugsicherheit [Seite 98]
5.1.1 - 3.1.1 Masse-Feder-Dämpfer-Modelle [Seite 100]
5.1.2 - 3.1.2 Mehrkörpersimulation und Finite-Elemente-Berechnung [Seite 108]
5.2 - 3.2 Fahrdynamikmodelle für autonomes Fahren und die aktive Fahrzeugsicherheit [Seite 109]
5.2.1 - 3.2.1 Relativbewegung [Seite 109]
5.2.2 - 3.2.2 Bewegungsmodelle für Verkehrsteilnehmer [Seite 120]
5.2.3 - 3.2.3 Wichtige Kräfte für die Fahrzeugbewegung [Seite 129]
5.2.4 - 3.2.4 Einspurmodelle und Lenkverhalten [Seite 142]
5.2.5 - 3.2.5 Nichtlineares Zweispurmodell [Seite 165]
5.3 - 3.3 Trajektorienplanung und Trajektorienfolgeregler [Seite 170]
5.4 - 3.4 Übungen und Lösungen zu Kapitel 3 [Seite 181]
6 - 4 Statistische Filterung [Seite 207]
6.1 - 4.1 Optimale statistische Filter [Seite 207]
6.2 - 4.2 Kalman-Filter [Seite 213]
6.2.1 - 4.2.1 Herleitung des Kalman-Filters [Seite 214]
6.2.2 - 4.2.2 Tracking mittels Kalman-Filter [Seite 225]
6.2.3 - 4.2.3 Extended Kalman-Filter [Seite 234]
6.3 - 4.3 Sensordatenfusion [Seite 235]
6.4 - 4.4 Übungen und Lösungen zu Kapitel 4 [Seite 241]
7 - 5 Maschinelles Lernen [Seite 253]
7.1 - 5.1 Einführung in das maschinelle Lernen [Seite 253]
7.1.1 - 5.1.1 Klassifikation und Regression [Seite 254]
7.1.2 - 5.1.2 Fluch der hohen Dimensionen [Seite 257]
7.1.3 - 5.1.3 Normierung der Merkmalsvektoren [Seite 258]
7.1.4 - 5.1.4 Parametrische und parameterfreie Methoden [Seite 258]
7.1.5 - 5.1.5 Optimale Klassifikation und Regression [Seite 259]
7.1.6 - 5.1.6 Maximum-Likelihood und Maximum-a-posteriori-Parameterschätzung [Seite 261]
7.1.7 - 5.1.7 Lineare Regression und Klassifikation [Seite 263]
7.1.8 - 5.1.8 Klassifikation mittels softmax-Funktion [Seite 272]
7.1.9 - 5.1.9 Kernel-WDF-Schätzer, k-NN-Klassifikation und Kernel-Regression [Seite 274]
7.1.10 - 5.1.10 Generalisierung und Bias-Variance-Zerlegung [Seite 279]
7.1.11 - 5.1.11 Modellauswahl und Bewertung von maschinellen Lernalgorithmen [Seite 284]
7.1.12 - 5.1.12 Stochastisches Gradientenabstiegsverfahren [Seite 290]
7.1.13 - 5.1.13 Übersicht zur Vorgehensweise beim Supervised Learning [Seite 293]
7.2 - 5.2 Künstliche neuronale Netze und Deep Learning [Seite 294]
7.2.1 - 5.2.1 Deep Multilayer Perceptrons [Seite 296]
7.2.2 - 5.2.2 Automatische Differentiation im Rückwärtsmodus (Backpropagation) [Seite 300]
7.2.3 - 5.2.3 Radial Basis Function Neural Networks [Seite 304]
7.2.4 - 5.2.4 Deep Convolutional Neural Networks [Seite 306]
7.3 - 5.3 Support Vector Machines [Seite 318]
7.3.1 - 5.3.1 Support Vector Machines für Klassifikation und Kernel-Trick [Seite 318]
7.3.2 - 5.3.2 Support Vector Machines für Regression [Seite 324]
7.4 - 5.4 Entscheidungs- und Regressionsbäume [Seite 328]
7.4.1 - 5.4.1 Entscheidungsbäume [Seite 328]
7.4.2 - 5.4.2 Regressionsbäume [Seite 332]
7.5 - 5.5 Random Forest [Seite 334]
7.5.1 - 5.5.1 Out-Of-Bag Error [Seite 338]
7.5.2 - 5.5.2 Merkmalsselektion mittels Random Forest [Seite 338]
7.5.3 - 5.5.3 Proximity [Seite 340]
7.6 - 5.6 Unsupervised Learning [Seite 343]
7.6.1 - 5.6.1 Clusteranalyse [Seite 343]
7.6.2 - 5.6.2 Random Forest für Unsupervised Learning [Seite 355]
7.6.3 - 5.6.3 Autoencoder [Seite 357]
7.6.4 - 5.6.4 Variational Autoencoder und Generative Adverserial Networks [Seite 364]
7.7 - 5.7 Anwendungen für das sichere automatisierte Fahren [Seite 371]
7.7.1 - 5.7.1 Kritikalitätsschätzung im Straßenverkehr [Seite 375]
7.7.2 - 5.7.2 Prädiktion der Crashschwere [Seite 379]
7.7.3 - 5.7.3 Trajektorienplanung zur Kollisionsvermeidung [Seite 381]
7.7.4 - 5.7.4 Auslösung von Rückhaltesystemen [Seite 383]
7.7.5 - 5.7.5 Clusterung von Verkehrsszenarien [Seite 386]
7.7.6 - 5.7.6 Generierung von Szenarien mittels Variational Autoencodern [Seite 387]
7.7.7 - 5.7.7 Stillstandserkennung [Seite 390]
7.8 - 5.8 Übungen und Lösungen zu Kapitel 5 [Seite 390]
8 - Notation [Seite 425]
9 - Literatur [Seite 433]
10 - Index [Seite 441]