Situationsinterpretation und Verhaltensplanung unter Unsicherheiten für kognitive Automobile

点击翻译按钮获取中文摘要

Ein selbstständig im Straßenverkehr navigierendes Automobil ist gezwungen, in einer hochgradig dynamischen und nur unvollständig wahrnehmbaren Umwelt Entscheidungen zu treffen. Bisherige Ansätze beschränken sich meist darauf, dem Fahrzeug durch manuell erstellte Regeln Autonomie zu verleihen. Dieser Herangehensweise sind durch die hohe Problemkomplexität jedoch Grenzen gesetzt. In diesem Projekt werden auf Wahrscheinlichkeitstheorie basierende Methoden zur intelligenten Verhaltensentscheidung im realen Verkehr erforscht. Vorausschauendes Fahren erfordert das Verstehen von Zusammenhängen und Abläufen im Straßenverkehr. Erst dieses Verständnis erlaubt begründetes Handeln auch in unbekannten Situationen. Es soll aus gesammelten Erfahrungen automatisch aufgebaut und in einem Dynamischen Bayes’schen Netz modelliert werden. Um Konsequenzen eigener Handlungen unter Unsicherheiten antizipieren zu können, soll die Verhaltensentscheidung als Partially Observable Markov Decision Process formuliert werden. Die Entwicklung eines Planungsalgorithmus, der sich auf entscheidungsrelevante Unterräume fokussiert, soll die Komplexität realer Entscheidungsprobleme handhabbar machen.