TY - CHAP A1 - Duttine, Thomas A1 - Doll, Konrad T1 - Realisierung eines FPGA-basierten Echtzeitdifferenzbildsensors für Verkehrsassistenzsysteme T2 - 41. MPC-Workshop, Künzelsau, Deutschland KW - Field programmable gate array KW - Eingebettetes System KW - Bildverarbeitung Y1 - 2009 UR - https://www.mpc-gruppe.de/workshopbaende SN - 1862-7102 IS - 41 SP - 51 EP - 60 ER - TY - CHAP A1 - Saxen, Frerk A1 - Doll, Konrad A1 - Brunsmann, Ulrich T1 - Support Vector Pruning with SortedVotes for Large-Scale Datasets T2 - IEEE international conference on intelligent computing and intelligent systems, Guangzhou KW - Vektorquantisierung KW - Maschinelles Lernen Y1 - 2014 VL - 2011 SP - 305 EP - 309 ER - TY - CHAP A1 - Goldhammer, Michael A1 - Hubert, Andreas A1 - Köhler, Sebastian A1 - Zindler, Klaus A1 - Brunsmann, Ulrich A1 - Doll, Konrad A1 - Sick, Bernhard T1 - Analysis on Termination of Pedestrians‘ Gait at Urban Intersections T2 - Intelligent Transportation Systems (ITSC), 2014 IEEE 17th International Conference on KW - Fahrerassistenzsystem KW - Fußgänger Y1 - 2014 U6 - https://doi.org/10.1109/ITSC.2014.6957947 SP - 1758 EP - 1763 PB - IEEE CY - Qingdao, China ER - TY - CHAP A1 - Goldhammer, Michael A1 - Doll, Konrad A1 - Brunsmann, Ulrich A1 - Gensler, Andre A1 - Sick, Bernhard T1 - Pedestrian's Trajectory Forecast in Public Traffic with Artificial Neural Networks T2 - 22nd International Conference on Pattern Recognition (ICPR 2014), Stockholm, Sweden KW - Fahrerassistenzsystem KW - Fußgänger Y1 - 2014 SN - 978-1-4799-5208-3 U6 - https://doi.org/10.1109/ICPR.2014.704 SN - 1051-4651 SP - 4110 EP - 4115 PB - IEEE ER - TY - JOUR A1 - Köhler, Sebastian A1 - Goldhammer, Michael A1 - Bauer, Sebastian A1 - Zecha, Stephan A1 - Doll, Konrad A1 - Brunsmann, Ulrich A1 - Dietmayer, Klaus T1 - Stationary Detection of the Pedestrian's Intention at Intersections JF - IEEE Intelligent Transportation Systems Magazine KW - Fahrerassistenzsystem KW - Fußgänger Y1 - 2013 SN - 1939-1390 VL - 2013 IS - 5 SP - 87 EP - 99 ER - TY - CHAP A1 - Hahn, Stefan A1 - Zindler, Klaus A1 - Doll, Konrad A1 - Jumar, Ulrich T1 - New Control Scheme for a Lane-Keeping Evasive Maneuver Exploiting the Free Space Optimally T2 - Proceedings of the 20th International Conference on Methods and Models in Automation and Robotics,Miedzyzdroje, Poland, 24-27 August, 2015 KW - Fahrerassistenzsystem Y1 - 2015 SP - 856 EP - 861 ER - TY - GEN A1 - Brunsmann, Ulrich A1 - Doll, Konrad A1 - Hellert, Christian A1 - Kempf, Johannes A1 - Köhler, Sebastian A1 - Saxen, Frerk A1 - Weimer, Daniel T1 - Intelligente Verkehrssicherheits- und Informationssysteme T2 - Safety Expo, Aschaffenburg N2 - Poster KW - Verkehrssicherheit Y1 - 2010 N1 - Posterpräsentation und Echtzeitdemonstration ER - TY - GEN A1 - Bauer, Sebastian A1 - Brunsmann, Ulrich A1 - Doll, Konrad A1 - Duttine, Thomas A1 - Schlotterbeck-Macht, Stefan T1 - Kompetenz in Kreuzungsassistenz T2 - Safety Expo, Aschaffenburg N2 - Poster Y1 - 2009 ER - TY - CHAP A1 - Köhler, Sebastian A1 - Doll, Konrad A1 - Kebinger, Sophie A1 - Schmitt, Daniel A1 - Kröhn, Michael A1 - Fried, Maik A1 - Börsig, Rainer T1 - Prozessinnovation: Hochautomatisiert lernendes Assistenzsystem für die manuelle Montage N2 - Trotz hoher Automatisierungsgrade in der produzierenden Industrie, sind manuelle Montageprozesse durch den Menschen, sei es aufgrund der geforderten Flexibilität, insbesondere bei kleinen Losgrößen oder der erforderlichen Präzision, unverzichtbar. Um eine hohe Produktivität und niedrige Ausschussraten zu gewährleisten, ist es sinnvoll, den Menschen in seiner Montagetätigkeit zu unterstützen oder zu entlasten. Intelligente Assistenzsysteme können den Menschen dahingehend unterstützen, dass sie bspw. schwere Tätigkeiten kollaborativ übernehmen, Prozesse gezielt steuern oder Informationen bei Bedarf kontextsensitiv bereitstellen. In diesem Beitrag wird das Konzept eines intelligent hochautomatisiert lernenden Assistenzsystems vorgestellt, dessen Ziel es ist, anhand von bereits gelernten Abläufen an einem manuellen Montagearbeitsplatz fehlerhafte Abläufe zu erkennen oder neue valide Abläufe hochautomatisiert und unüberwacht zu lernen. Manuelle Montageprozesse bestehen aus Abfolgen von Handgriffen. Diese Handgriffe werden vom Assistenzsystem als Gesten erkannt und verarbeitet, sodass der Gesamtablauf in Teilschritte zerlegt werden kann. Weiterhin soll dieses Assistenzsystem Informationen zur Behebung des Fehlers direkt am Arbeitsplatz verfügbar machen. Das Assistenzsystem, dessen Architektur in Abb. 1 dargestellt ist, besteht aus einem zustandsgesteuerten, lernenden Steuersystem mit einem Microsoft Kinect-v2-Sensor, der den Arbeitsplatz aus der Überkopfperspektive erfasst und die Montageschritte erkennt. Da das Grundprinzip des Assistenzsystems in der Langzeitbeobachtung und –unterstützung der Montagetätigkeit liegt, werden die kontinuierlich aggregierten Daten zur Erweiterung und Verbesserung des Assistenzsystems genutzt. Es lernt somit hochautomatisiert neue oder abgewandelte Montageabläufe. Hieraus ergibt sich eine Herausforderung an die Bewertung der Güte eines solchen Systems. Während eine hohe Erkennungsrate der einzelnen Aktivitäten innerhalb eines Montageablaufs unabdingbar ist, wird für das vorgeschlagene System darüber hinaus gefordert, dass komplette Abläufe korrekt, d.h. in der richtigen Reihenfolge ohne einzelne Falschklassifikationen, erkannt werden. Nur hierdurch lassen sich real geänderte Abläufe hochautomatisiert und unüberwacht im Zustandsautomat des Steuersystems online einlernen. T2 - Konferenz für Angewandte Automatisierungstechnik in Lehre und Entwicklung (AALE), 2018 KW - Automatisierungstechnik KW - Montage Y1 - 2018 SN - 978-3-8007-4522-7 SP - 153 EP - 164 CY - Köln ER - TY - CHAP A1 - Hock, Sascha A1 - Hahnle, Michael A1 - Doll, Konrad T1 - Fusion von Fußgängererkennungen auf FPGAs T2 - 55. Workshop der Multiprojekt-Chip-Gruppe Baden-Württemberg N2 - Viele Verfahren zur Erkennung von Objekten, beispielsweise Fußgängern, in Bildern benutzen das Sliding-Window-Prinzip. Dabei wird ein Fenster von links oben nach rechts unten über das Bild verschoben. Für jedes dieser Fenster wird geprüft, ob es ein zu erkennendes Objekt beinhaltet. Ein Klassifikator liefert dann häufig positive Ergebnisse für mehrere benachbarte Fenster, die einem einzelnen Objekt zugeordnet werden können. Durch den Einsatz von unterschiedlichen Skalenstufen wird dieser Effekt weiter verstärkt. Bei der Detektion von Objekten ist daher eine Fusion dieser Mehrfacherkennungen zu einer einzelnen aussagekräftigen Detektion pro Objekt eine entscheidende Komponente. Des Weiteren müssen sporadisch auftauchende Falscherkennungen eliminiert werden. Diese Fusion von Detektionsergebnissen ist in der bildbasierten Objekterkennung ein wichtiger Verarbeitungsschritt und wird häufig auch als Non Maximum Suppression (NMS) bezeichnet. Eine robuste Fusion von Fußgängerdetektionen kann beispielsweise als Grundlage für ein automobiles Fußgängerwarnsystem oder auch für die Absichtserkennung von Personen im Straßenverkehr genutzt werden. Da diese Systeme Echtzeitanforderungen unterliegen, ist hierfür eine schnelle Berechnung erforderlich. In dieser Arbeit wird die erste, den Autoren bekannte, rein FPGA basierte Implementierung vorgestellt. Sie ist in der Lage, die Erkennungsergebnisse mehrerer paralleler Skalenstufen in Echtzeit zu fusionieren. Auf einem Kintex-7 FPGA eines Xilinx Zynq SoCs ist damit eine Verarbeitung von mehr als 100 Bildern pro Sekunde mit einer Auflösung von 1280 x 720 Pixel möglich. Die Genauigkeit der FPGA-Implementierung ist dabei mit der einer auf OpenCV basierenden Softwareanwendung vergleichbar. KW - Field programmable gate array KW - Objekterkennung Y1 - 2016 ER -