Fachbereich Wirtschaft, Informatik, Recht
Refine
Document Type
- Article (3)
- Conference Proceeding (2)
- Research data (1)
Institute
Has Fulltext
- yes (6)
Keywords
- Automotive (1)
- Fußgängerschutz (1)
- KI-Modelle (1)
Transparenz und Erklärbarkeit sind essenzielle Faktoren bei der Entwicklung sicherer KI-Modelle für den Fußgängerschutz. Dies ermöglicht nicht nur eine verbesserte Akzeptanz, sondern fördert auch das Vertrauen der Nutzer in die präventiven Fähigkeiten dieser Systeme.
Die Integration von Sensoren, maschinellem Lernen und fortschrittlichen Algorithmen ermöglicht eine präzise Analyse von Fußgängerverhalten und Umgebungsfaktoren. Dabei spielt die Echtzeitverarbeitung eine entscheidende Rolle, um schnell auf sich ändernde Situationen zu reagieren.
Zusätzlich zur Technologieentwicklung betont diese Analyse die Notwendigkeit strikter Sicherheitsmaßnahmen, um potenzielle Risiken und Sicherheitslücken zu minimieren. Dazu gehören Sicherheitsprotokolle für die Datenspeicherung, den Modellschutz und den Zu-griff auf KI-Systeme.
Die Einhaltung gesetzlicher und ethischer Richtlinien ist ein weiterer wichtiger Aspekt. Regulatorische Vorgaben und ethische Standards sollen sicherstellen, dass KI-Technologien im Automobilsektor nicht nur sicher, sondern auch im Einklang mit gesellschaftlichen Werten und Normen eingesetzt werden.
Aviation is an integral and vital part of modern society. The growth over the last decades has consequences for greenhouse gas emissions and reducing this through efficiency within the same framework is difficult. Precision flight planning is crucial for reliably and optimized real environment aircraft operation. The presented study gives an overview of the status of the legal requirements for flight planning under the current fuel requirements of the European Union Aviation Safety Agency (EASA) and the emerging opportunities for fuel savings. As part of the larger study, planned and actual fuel figures of an international cargo airline were statistically analyzed. The overall analysis showed that there was no significant deviation between planned and consumed fuel. Based on the results, an adjustment of the planned alternative fuel quantity can be considered within the framework of an individual fuel plan. The possible savings potential using the example of Destination Alternate Airport fuel is presented.
Aviation emissions, domestic and international, account for approximately 2 % of total global CO2 emissions. Fuel consumption for a given route, excluding other factors such as wind, depends largely on the weight of the aircraft. To minimise fuel consumption, it is often most economical to carry only the minimum weight required for the sector. Within the framework of a dissertation, possibilities to reduce the final reserve fuel and thus the amount of fuel required are being researched and evaluated. This paper shows part of the results, as reliability and accuracy of flight planning and actual operations are a necessary basis for a possible reduction. The level of safety in aviation must always be taken into account. To prove this, fuel values are recorded and statistically evaluated, based on real flight and fuel data provided. Analysis, systematization and generalization were used to conduct the study. As a statistical background, extensive fuel data of an airline from a period of about five years were examined. The focus of this paper is on the results for taxi and trip fuel. The result shows that the current requirements for flight planning and the subsequent execution of flights are very reliable and highly accurate today. The results of the study can be used as a basis for a performance-based approach to reduce the final reserve fuel while maintaining the necessary safety level. Reducing the final reserve has a significant impact on reducing overall fuel consumption and emissions. Further research and studies are needed to determine performance indicators.
This repository contains various short driving scenarios of our vehicle fleet in 1:14 scale. These are part of our digital learning factory "Wildauer Maschinen Werke" (www.th-wildau.de/wmw) and are used for the development of autonomous driving functions. The data is recorded in the form of Rosbags in the underlying robotic operating system (www.ros.org) and can be played in their own ROS server instances, whereby the recorded journeys of the vehicles can be simulated and used for their own developments. The scenarios contain short driving scenarios with so-called ROS topics. This includes engine and steering control and frontal distance measurements of an ultrasonic sensor. Videos are also provided for each scenario for a better overview.
It is the 1st generation. Towards the end of 2020, data sets will follow that additionally contain camera data, GPS coordinates and speed as well as laser scanner data.
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.
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.