TY - CHAP A1 - Jacob, Thomas A1 - Kubica, Stefan ED - Kubica, Stefan ED - Ringshausen, Hagen ED - Reiff-Stephan, Jörg ED - Schlingelhof, Marius T1 - Einsatz von Stream-Machine-Learning auf Fahrzeugdaten T2 - 2. Automobil Symposium Wildau: Tagungsband Technische Hochschule Wildau 2017 N2 - Daten liegen in modernen Fahrzeugen in einer großen Menge vor. Die Daten, welche die Sensoren des Fahrzeuges erzeugen, werden über Bus-Systeme zentral zur Verfügung gestellt und für die jeweiligen Anwendungen von den Steuergeräten ausgewertet. Nach diesem Einsatz werden die Sensordaten verworfen. Eine Herausforderung an die Verwendung jener Daten sind die Historisierung und systematische Auswertung dieser. Dafür werden Data-Mining-Methoden angewandt, welche die internen sowie die externen Daten (Car2X-Kommunikation) in Echtzeit auswerten und mit dem digitalem Gedächtnis abgleichen. Ziel dessen ist die Erkennung von Mustern, zur Identifikation von Situationen (z.B. Verkehrsunfall) und Fahrzuständen (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 möglicher Lösungsansatz verwendet, da große Datenmengen vorhanden sind und diese in Echtzeit ausgewertet werden müssen, um potentiell bedrohliche Situationen frühzeitig 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 Datenströmen mit dem Online-Lernen. Dadurch verwendet der Ansatz nur die im Stream empfangenden Daten und zudem lernt er während des Betriebs weiter. Nach jeder verarbeiteten Instanz ist es dem Algorithmus möglich ein Modell auszugeben bzw. das vorhandene Modell wird weiter trainiert. Ein selbstständiges Lernen wird ermöglicht. Für die Umsetzung ist eine Toolchain erstellt worden, die das Vorhaben mit vom Fahrzeug erzeugten und über die OBD2-Schnittstelle bereitgestellten Datensätzen simuliert darstellt. Dabei ist besonderes Augenmerk auf die Komptabilität zu in Fahrzeugen genutzten Betriebssysteme (Linux, Autosar [WaPa12]) gelegt, damit eine Migration gewährleistet wird. Y1 - 2017 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:526-opus4-9039 SP - 39 EP - 46 ER - TY - CHAP A1 - Jacob, Thomas A1 - Kubica, Stefan ED - Kubica, Stefan ED - Ringshausen, Hagen ED - Reiff-Stephan, Jörg ED - Schlingelhof, Marius T1 - Data-Mining-Methoden zur frühzeitigen Erkennung bedrohlicher Situationen im Fahrzeug T2 - 1. Automobil Symposium Wildau: Tagungsband N2 - 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 schnellstmöglich voranzutreiben (Fuest 2015). Gleichzeitig forschen diverse Universitäten an dem Thema und zeigen bereits weitgehende Fortschrit­te. Exemplarisch ist die Universität Ulm zu nennen, die bereits Testfahrten im urbanen Gebiet erfolgreich absol­viert hat (Dietmayer 2014). Auch die Politik fördert den Forschungsschwerpunkt zunehmend. Als Beispiel ist das Förderprogramm »Elektroniksysteme für das vollauto­matisierte Fahren (ELEVATE)« zu nennen, welches vom Bundesministerium für Bildung und Forschung angebo­ten wird (Bundesministerium für 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 für 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 Gedächtnis 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 für fahrerge­lenkte Fahrzeuge konzipiert. Y1 - 2016 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:526-opus4-5576 SP - 59 EP - 63 ER - TY - RPRT A1 - Jacob, Thomas T1 - Digitale Plattform für den Innovation Hub 13 N2 - Das institutsübergreifende Transferprojekt Innovation Hub 13 soll eine Schnittstelle zwischen Wissenschaft, Wirtschaft und der Öffentlichkeit 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 Öffentlichkeit agieren und Kooperationen ermöglichen 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 unterstützt werden kann. Zudem soll eine Öffnung der Hochschulen gegenüber 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 Aktivitäten 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 über zukünftige Arbeiten an der konkreten digitalen Plattform des Innovation Hub 13 gegeben. T3 - fast track to TRANSFER : Working Paper Series - 003 KW - Digitale Plattform KW - Innovation Hub 13 KW - InnoRadar KW - InnoXR KW - VR KW - VueJS KW - recommendation engine Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:526-opus4-15558 PB - Technische Hochschule Wildau ; Brandenburgische Technische Universität Cottbus-Senftenberg ER -