Maschinelles Lernen als Schlüsseltechnologie für das automatisierte Fahren

Der Fachtext beleuchtet die Bedeutung des maschinellen Lernens für das automatisierte Fahren, insbesondere in Bezug auf die Verbesserung der Verkehrsteilnehmer-Vorhersage und -Bewegungsvorhersage. Durch die Zusammenarbeit der TU Braunschweig und Ibeo werden praxisrelevante Ergebnisse der Clusteranalyse und Prädiktion von Fahrmanövern auf Autobahnen und in der Innenstadt präsentiert. Die Studie zeigt, wie maschinelle Lernverfahren zur Gruppierung und Vorhersage von Fahrmanövern genutzt werden können, um die Sicherheit und Effizienz des automatisierten Fahrens zu erhöhen. Besonders hervorgehoben werden die Trajectory Clustering Algorithm (Traclus) und Self-Organizing Maps (SOM) sowie deren Anwendung in urbanen und autobahnähnlichen Umgebungen. Die Prädiktion von Fahrzeugbewegungen an urbanen Kreuzungen wird als exemplarische Anwendung vorgestellt, die durch maschinelle Lernverfahren ermöglicht wird. Die vorgestellten Modelle und Methoden zeigen das Potenzial, das maschinelles Lernen für die Entwicklung und Absicherung des automatisierten Fahrens bietet.