nach oben

Erschienen in:

2019 | OriginalPaper | Buchkapitel

Potential of Virtual Test Environments for the Development of Highly Automated Driving Functions Using Neural Networks

verfasst von : Raphael Pfeffer, Patrick Ukas, Eric Sax

Erschienen in: Fahrerassistenzsysteme 2018

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

This paper outlines the implications and challenges that modern algorithms such as neural networks may have on the process of function development for highly automated driving. In this context, an approach is presented how synthetically generated data from a simulation environment can contribute to accelerate and automate the complex process of data acquisition and labeling for these neural networks. A concept of an exemplary implementation is shown and first results of the training of a convolutional neural network using these synthetic data are presented.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel An Overview of Deep Learning and Its Applications

Nächstes Kapitel Incorporating Human Driving Data into Simulations and Trajectory Predictions

CarMaker by IPG Automotive GmbH (www.ipg-automotive.com).

SAE International: Taxonomy and definitions for terms related to driving automation systems for on-road motor vehicles (2017). www.sae.org/autodrive. 22 Feb 2018

Maurer, M., Gerdes, J.C., Lenz, B., Winner, H.: Autonomes Fahren. Springer Vieweg, Berlin (2015)CrossRef

Pfeffer, R., Leichsenring, T.: Continuous development of highly automated driving functions with vehicle-in-the-loop using the example of euro NCAP scenarios. In: 7th Conference Simulation and Testing for Vehicle Technology, Berlin (2016)

Otten, S., Bach, J., Wohlfahrt, C.,King, C., Lier, J., Schmid, H., Schmerler, S., Sax, E.: Automated assessment and evaluation of digital test drives. In: Zachäus, C., Müller, B., Meyer, G. (eds.) Advanced Microsystems for Automotive Applications 2017. Lecture Notes in Mobility. Springer, Cham (2017)

Lutz, A., Schick, B., Holzmann, H.: Simulation methods supporting homologation of Electronic stability control in vehicle variants. Veh. Syst. Dyn. 55(10), 1432–1497 (2017) CrossRef

Johnson-Roberson, M., Barto, C., Mehta, R., Sridhar, S., Rosaen, K., Vasudevan, R.: Driving in the matrix: can virtual worlds replace human-generated annotations for real world tasks? In: Proceedings of International Conference on Robotics and Automation (ICRA) (2017)

Marin, J., Vazquez, D., Geronimo, D., Lopez, A.M.: Learning appearance in virtual scenarios for pedestrian detection. In: IEEE Computer Vision and Pattern Recognition (CVPR) (2010)

Nilsson, J., Fredriksson, J., Gu, I.Y.-H., Andersson, P.: Pedestrian detection using augmented training data. In: 22nd International Conference on Pattern Recognition (ICPR) (2014)

Barbosa, I., Cristani, M., Caputo, B., Rognhaugen, A., Theoharis, T.: looking beyond appearances: synthetic training data for deep CNNS in re-identification. In: Computer Vision and Pattern Recognition (2017)

10.

Rajpura, P.S., Bojinov, H., Hegde, R.S.: Object detection using deep CNNs trained on synthetic images. In: Computer Vision and Pattern Recognition (2017)

11.

Peng, X., Sun, B., Ali, K., Saenko, K.: Learning deep object detectors from 3D models. In: Computer Vision and Pattern Recognition (2015)

12.

Falcini, F., Lami, G., Constanza, A.: Deep learning in automotive software. In: IEEE Software, May/June 2017, pp. 56–63. IEEE Computer Society (2017)CrossRef

13.

Vondrick, C., Patterson, D., Ramanan, D.: Efficiently scaling up crowdsourced video annotation – a set of best practices for high quality, economical video labeling. Int. J. Comput. Vis. 101(1), 184–204 (2013)CrossRef

14.

Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., Berg, A.: SSD: Single Shot MultiBox Detector. In: Computer Vision and Pattern Recognition (2015)

15.

Everingham, M., Van Gool, L., Williams, C.K.I., Winn, J., Zisserman, A.: The PASCAL Visual Object Classes (VOC) challenge. Int. J. Comput. Vis. 88(2), 303–338 (2010)CrossRef

16.

Geiger, A., Lenz, P., Urtasun, R.: Are we ready for autonomous driving? The KITTI Vision Benchmark Suite. In: Conference on Computer Vision and Pattern Recognition (CVPR) (2012)

Titel: Potential of Virtual Test Environments for the Development of Highly Automated Driving Functions Using Neural Networks
verfasst von: Raphael Pfeffer
Patrick Ukas
Eric Sax
Verlag: Springer Fachmedien Wiesbaden
Buch: Fahrerassistenzsysteme 2018
Print ISBN: 978-3-658-23750-9

Electronic ISBN: 978-3-658-23751-6

Copyright-Jahr: 2019
DOI: https://doi.org/10.1007/978-3-658-23751-6_18

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Premium Partner