@inproceedings{JacobKubica2017, author = {Jacob, Thomas and Kubica, Stefan}, title = {Einsatz von Stream-Machine-Learning auf Fahrzeugdaten}, series = {2. Automobil Symposium Wildau: Tagungsband Technische Hochschule Wildau 2017}, booktitle = {2. Automobil Symposium Wildau: Tagungsband Technische Hochschule Wildau 2017}, editor = {Kubica, Stefan and Ringshausen, Hagen and Reiff-Stephan, J{\"o}rg and Schlingelhof, Marius}, doi = {10.15771/ASW_2017_6}, url = {http://nbn-resolving.de/urn:nbn:de:kobv:526-opus4-9039}, pages = {39 -- 46}, year = {2017}, abstract = {Daten liegen in modernen Fahrzeugen in einer großen Menge vor. Die Daten, welche die Sensoren des Fahrzeuges erzeugen, werden {\"u}ber Bus-Systeme zentral zur Verf{\"u}gung gestellt und f{\"u}r die jeweiligen Anwendungen von den Steuerger{\"a}ten ausgewertet. Nach diesem Einsatz werden die Sensordaten verworfen. Eine Herausforderung an die Verwendung jener Daten sind die Historisierung und systematische Auswertung dieser. Daf{\"u}r werden Data-Mining-Methoden angewandt, welche die internen sowie die externen Daten (Car2X-Kommunikation) in Echtzeit auswerten und mit dem digitalem Ged{\"a}chtnis abgleichen. Ziel dessen ist die Erkennung von Mustern, zur Identifikation von Situationen (z.B. Verkehrsunfall) und Fahrzust{\"a}nden (z.B. Autobahnfahrt). Als Ergebnisse sollen der Komfort der Insassen und die Sicherheit des Straßenverkehrs verbessert werden. Potentiell bedrohliche Situationen sollen dabei vor dem Eintreffen erkannt werden, um Fahrer und Fahrzeug entsprechend zu konditionieren. Das Vorhaben zielt konkret auf ein Echtzeit-Data-Mining von Fahrzeugdaten ab. Dabei wird Stream-Machine-Learning als m{\"o}glicher L{\"o}sungsansatz verwendet, da große Datenmengen vorhanden sind und diese in Echtzeit ausgewertet werden m{\"u}ssen, um potentiell bedrohliche Situationen fr{\"u}hzeitig zu erkennen. Der klassische Batch-Learning-Ansatz ist dazu nicht geeignet, da jener alle Daten mit einmal verarbeiten will. Stream-Machine-Learning kombiniert das Konzept von Datenstr{\"o}men mit dem Online-Lernen. Dadurch verwendet der Ansatz nur die im Stream empfangenden Daten und zudem lernt er w{\"a}hrend des Betriebs weiter. Nach jeder verarbeiteten Instanz ist es dem Algorithmus m{\"o}glich ein Modell auszugeben bzw. das vorhandene Modell wird weiter trainiert. Ein selbstst{\"a}ndiges Lernen wird erm{\"o}glicht. F{\"u}r die Umsetzung ist eine Toolchain erstellt worden, die das Vorhaben mit vom Fahrzeug erzeugten und {\"u}ber die OBD2-Schnittstelle bereitgestellten Datens{\"a}tzen simuliert darstellt. Dabei ist besonderes Augenmerk auf die Komptabilit{\"a}t zu in Fahrzeugen genutzten Betriebssysteme (Linux, Autosar [WaPa12]) gelegt, damit eine Migration gew{\"a}hrleistet wird.}, language = {de} } @inproceedings{JacobKubica2016, author = {Jacob, Thomas and Kubica, Stefan}, title = {Data-Mining-Methoden zur fr{\"u}hzeitigen Erkennung bedrohlicher Situationen im Fahrzeug}, series = {1. Automobil Symposium Wildau: Tagungsband}, booktitle = {1. Automobil Symposium Wildau: Tagungsband}, editor = {Kubica, Stefan and Ringshausen, Hagen and Reiff-Stephan, J{\"o}rg and Schlingelhof, Marius}, doi = {10.15771/ASW_2016_9}, url = {http://nbn-resolving.de/urn:nbn:de:kobv:526-opus4-5576}, pages = {59 -- 63}, year = {2016}, abstract = {Das autonome Fahren ist eines der großen Themen im Automobilbereich der Gegenwart. Umsatzstarke Soft­ware-Unternehmen gehen Kooperationen mit Unter­nehmen der Automobilbranche ein, um das automati­sierte Fahren schnellstm{\"o}glich voranzutreiben (Fuest 2015). Gleichzeitig forschen diverse Universit{\"a}ten an dem Thema und zeigen bereits weitgehende Fortschrit­te. Exemplarisch ist die Universit{\"a}t Ulm zu nennen, die bereits Testfahrten im urbanen Gebiet erfolgreich absol­viert hat (Dietmayer 2014). Auch die Politik f{\"o}rdert den Forschungsschwerpunkt zunehmend. Als Beispiel ist das F{\"o}rderprogramm »Elektroniksysteme f{\"u}r das vollauto­matisierte Fahren (ELEVATE)« zu nennen, welches vom Bundesministerium f{\"u}r Bildung und Forschung angebo­ten wird (Bundesministerium f{\"u}r Bildung und Forschung 2015). Diese intensive Forschung, die gleichzeitig von der Wirtschaft, der Wissenschaft und der Politik vorange­trieben wird, zeigt wie viel Potential das Thema besitzt. Auch dadurch stellen sich neue Herausforderungen an die Sensorik innerhalb der Fahrzeuge. Aktuell wird der Großteil der Sensordaten einmalig f{\"u}r den jeweiligen Zweck genutzt und anschließend verworfen. An diesen Punkt setzen das Vorhaben und der damit ver­bundene Einsatz von Data-Mining-Methoden an. Ziel ist die systematische Auswertung von Daten im Fahrzeug und von außerhalb (Car2X) in Echtzeit, um aktuelle Fahrsituationen mit einem digitalen Ged{\"a}chtnis abzu­gleichen und somit einen kurzen Blick in die Zukunft abzuleiten. Hierbei werden Situationen durch Muster erkannt und Fahrzeug bzw. Fahrer konditioniert, um die Situation positiv zu beeinflussen. Das Vorhaben ist nicht ausschließlich auf das autonome Fahren ausgerichtet, sondern auch als Hilfe f{\"u}r fahrerge­lenkte Fahrzeuge konzipiert.}, language = {de} } @techreport{Jacob2021, type = {Working Paper}, author = {Jacob, Thomas}, title = {Digitale Plattform f{\"u}r den Innovation Hub 13}, publisher = {Technische Hochschule Wildau ; Brandenburgische Technische Universit{\"a}t Cottbus-Senftenberg}, doi = {10.15771/innohub_3}, url = {http://nbn-resolving.de/urn:nbn:de:kobv:526-opus4-15558}, year = {2021}, abstract = {Das instituts{\"u}bergreifende Transferprojekt Innovation Hub 13 soll eine Schnittstelle zwischen Wissenschaft, Wirtschaft und der {\"O}ffentlichkeit sein. Um dies zu realisieren, sollen digitale Werkzeuge und eine digitale Plattform den Transferscouts, die das Bindeglied zwischen den genannten Bereichen darstellen, eine Arbeitserleichterung verschaffen. Durch die Werkzeuge und die digitale Plattform sollen die Transferscouts kollaborativ mit Wissenschaft, Wirtschaft sowie {\"O}ffentlichkeit agieren und Kooperationen erm{\"o}glichen und in die Wege leiten. Eine systematische Verbreitung und Anwendung von wissenschaftlichem Know-how in die Projektregion ist dabei ein Ziel, was durch die digitale Plattform unterst{\"u}tzt werden kann. Zudem soll eine {\"O}ffnung der Hochschulen gegen{\"u}ber der Zivilgesellschaft stattfinden sowie eine signifikante Verbesserung der Wissenschaftskommunikation erfolgen. Die Plattform soll dabei den gesamten Innovation Hub 13 digital abbilden. Das umfasst u.a. die Showrooms, die Testfelder und die Aktivit{\"a}ten der Transferscouts. Dieses Working Paper zeigt auf, was eine digitale Plattform auszeichnet und welche Bestandteile diese beinhalten kann. Des Weiteren werden die konzeptionellen Arbeiten an der digitalen Plattform des Innovation Hub 13 dargelegt und einzelne Bausteine dieser digitalen Plattform beschrieben. Einige dieser Bausteine sind bereits umgesetzt und einzeln verwendbar. Zum Abschluss wird ein Ausblick {\"u}ber zuk{\"u}nftige Arbeiten an der konkreten digitalen Plattform des Innovation Hub 13 gegeben.}, language = {de} }