Künstliche Intelligenz im Fahrzeug
|
|
|
- Cornelius Kappel
- vor 6 Jahren
- Abrufe
Transkript
1 Künstliche Intelligenz im Fahrzeug Mittwoch, 20. September 2017
2 Stufen des automatisierten Fahrens Stufe 0 nur Fahrer Stufe 1 Assistiert Stufe 2 Teilautomatisiert Stufe 3 Hochautomatisiert Stufe 4 Vollautomatisiert Stufe 5 Fahrerlos Fahrer führt dauerhaft Längs- und Querführung aus Fahrer führt dauerhaft Längs- oder Querführung aus System übernimmt jeweils andere Funktion Fahrer muss das System dauerhaft überwachen System übernimmt Längs- und Querführung in einem spezifischen Anwendungsfall Fahrer muss das System nicht dauerhaft überwachen, aber in der Lage sein, zu übernehmen System übernimmt Längs- und Querführung in einem spezifischen Anwendungsfall, Erkennt Systemgrenzen und fordert Fahrer zur Übernahme mit ausreichender Zeitreserve auf Kein Fahrer im spezifischen Anwendungsfall erforderlich System kann im spezifischen Anwendungsfall alle Situationen automatisch bewältigen System kann während der ganzen Fahrt alle Situationen automatisch bewältigen, kein Fahrer erforderlich intence automotive electronics, Quelle: VDA Seite 2
3 Einführung automatisierter Fahr- und Parkfunktionen Fahren in der Stadt* Valet Parking/Fahrerloses Parken* Fahren auf der Autobahn* Staufolgefahren/Fahren im Stau* Schlüsselparken Staufolgeassistent Parkmanneuverassistent Adaptive Cruise Control Spurhalteassistent Parkassistent Spurverlassenswarner Totwinkelüberwachung intence automotive electronics, Quelle: VDA Seite 3
4 Künstliche Intelligenz und maschinelles sehen Spracherkennung und -steuerung Handschrifterkennung Spurerkennung intence automotive electronics Seite 4
5 Arbeitsalltag eines Entwicklers TEST Entwicklung Eingabe Verarbeitung durch programmierte Logik Ausgabe intence automotive electronics Seite 5
6 Arbeitsalltag eines Entwicklers TEST Entwicklung Eingabe Trainingsdaten Eingabe Realdaten Lernendes System angelerntes System Ausgabe Ausgabe intence automotive electronics Seite 6
7 Beispiel kamerabasierte Ampelerkennung Trainings- und Testdaten Wo bekomme ich Trainingsdaten her? Positivfälle Evtl. negativfälle Wieviel ist genug? 100, 1000, Samples Welche Qualitätsansprüche gibt es (z.b. Bilder: Größe, Farbraum, Qualität der Kamera, verschiedene Wetter- / Lichtbedingungen) intence automotive electronics Seite 7
8 Beispiel kamerabasierte Ampelerkennung Features und objektive Referenz Anhand welcher Features kann das System zuverlässig antrainiert werden? Kann bzw. will ich dem System zu den Trainingsdaten eine objektive Musterlösung mitgeben ( Daten Labeln ) Kantenerkennung (Quelle Wikipedia) Eckenerkennung (Quelle Wikipedia) intence automotive electronics Seite 8
9 Beispiel kamerabasierte Ampelerkennung Trainieren und optimieren Mit welche Parametern liefert der gewählte Algorithmus die besten Ergebnisse? Verbesserung durch Optimierung des Anpassung minneighbours: minimaler Abstand zu weiteren erkannten Objekten Trainingsdatensatzes möglich? intence automotive electronics Seite 9
10 Beispiel kamerabasierte Ampelerkennung Pre- und Postprocessing Verbesserung der Entscheidungen des Algorithmus durch Vor- und Nachverarbeitung der Bilder? Schwellwerte über Bilder Nach roten, gelben und grünen Kreisen suchen Suche in einem bestimmten Bereich des Bildes (ROI: Region of interest) Ergebnis ohne Schwellenwertverfahren Ergebnis mit Schwellenwertverfahren und Konturenerkennung Anwendung Schwellenwertverfahren Konvertieren in Graustufen und Histogrammausgleich intence automotive electronics Seite 10
11 Beispiel kamerabasierte Ampelerkennung Gesamtsystem und Plattform Entscheidungsfinder Gateway zum Fahrzeug Was muss für das System programmiert werden (Aktionen auf die Entscheidungen, Kommunikation mit anderen Komponenten, etc.) Wie sieht die Plattform aus auf der die antrainierten Systeme laufen können? Diagnose COM OS, Vereinfachter Aufbau eines trainierten Systems Benötigte Performance, Bauraum, Abwärme Beispielplattform für autonomes Fahren intence automotive electronics Seite 11
12 Test von trainierten Systemen Test des Systems Wie definiere ich Testabdeckung im KI Umfeld? Gesamtzeit an Fahrstrecke der Testfahrzeuge? Anzahl getesteter Szenarien und Varianten der Szenarien? Wie teste ich die Fehlerfreiheit und die getroffenen Entscheidungen des Systems, ohne Codezeilen überprüfen zu können? intence automotive electronics Seite 12
13 Wie geht die Reise weiter Viele neues wird bei Nutzer und Hersteller gelernt, das Thema ist äußerst spannend Ideen und potentielle Einsatzgebiete gibt es viele Mehr Interaktion mit dem Fahrer: Assistenz im Alltag bis hin zum autonomen Fahren Entwicklungs- und Prüfverfahren werden weiter stabilisiert und standardisiert intence automotive electronics Seite 13
14 Vielen Dank.
Künstliche Intelligenz im Fahrzeug
Künstliche Intelligenz im Fahrzeug Dienstag, 26. September 2017 Über intence Der Premiumpartner für Automotive-Technologie Teamplayer mit Systemverstand Wir haben uns auf die Zukunft der Automobilbranche
Veränderte Fahraufgabe
Veränderte Fahraufgabe - Rechtsfolgen zunehmender Fahrzeugautomatisierung - DVR-Presseseminar, 11. Mai 2012 Tom M. Gasser Bundesanstalt für Straßenwesen Theoretisches Unfallvermeidungspotential der Fahrzeugautomatisierung
DER AUTOBAHN-CHAUFFEUR
Motivation: - Autobahn-Chauffeur als Beispiel für eine hochautomatisiertes Fahrfunktion (VDA Level 3) - Standardszenarien, kritische Szenarien und Automationsrisiken dienen als Basis zur Befüllung der
> Spannungsfeld hochautomatisiertes Fahren zwischen Euphorie und Ablehnung > Prof. Dr.-Ing. Karsten Lemmer >
DLR.de Folie 1 Spannungsfeld hochautomatisiertes Fahren zwischen Euphorie und Ablehnung Prof. Dr.-Ing. Karsten Lemmer Deutsches Zentrum für Luft- und Raumfahrt e.v. Institut für Verkehrssystemtechnik DLR.de
Mensch und automatisches Fahrzeug eine neue Beziehung? Prof. Dr. Mark Vollrath
Mensch und automatisches Fahrzeug eine neue Beziehung? Prof. Dr. Mark Vollrath Was ist überhaupt automatisches Fahren? Vision 1956 Quelle: VDA 21. November 2018 Prof. Dr. Mark Vollrath Mensch und Automation
Möglichkeiten der Automatisierung im Motorisierten Individualverkehr Verkehrsträger Strasse
Inputreferat Möglichkeiten der Automatisierung im Motorisierten Individualverkehr Verkehrsträger Strasse Noch am Steuer: Andreas Egger AMAG Import, Leiter Business Process Development Mitglied der erweiterten
Einführung des Automatisierten Fahrens
Einführung des Automatisierten Fahrens DVR Presseseminar Bonn, 25. November 2014 Dr. Arne Bartels Konzernforschung Einführungs-Szenario für Automatische Fahrfunktionen 2 Teilautomatisiert 1 Assistiert
Autonomes Fahren und Fahrerassistenz. Prof. Dr.-Ing. Karsten Lemmer Deutsches Zentrum für Luft- und Raumfahrt e.v. Institut für Verkehrssystemtechnik
www.dlr.de Folie 1 Autonomes Fahren und Fahrerassistenz Prof. Dr.-Ing. Karsten Lemmer Deutsches Zentrum für Luft- und Raumfahrt e.v. Institut für Verkehrssystemtechnik www.dlr.de Folie 2 Mobilität ist
Straßenbahn in Zukunft
Maren Henzel, M.Sc. Timm Ruppert, M.Sc. Prof. Dr. Hermann Winner Straßenbahn in Zukunft 2 Was die Straßenbahn vom Auto lernen kann fashionweek-berlin.mercedes-benz.de Fußgängerschutzsystem Cruise Control
Dr. Werner Huber, BMW Group Research and Technology Jahrestreff ADAC Südbayern, MENSCH ODER ROBOTER WER STEUERT DAS AUTO DER ZUKUNFT.
Dr. Werner Huber, BMW Group Research and Technology Jahrestreff ADAC Südbayern, 20.01.2016 MENSCH ODER ROBOTER WER STEUERT DAS AUTO DER ZUKUNFT. DIE AUTOMOBILINDUSTRIE SIEHT SICH IN DEN NÄCHSTEN 10 JAHREN
Radikaler Umbruch in der Fahrzeug- und Systemabsicherung. Steffen Kuhn
Radikaler Umbruch in der Fahrzeug- und Systemabsicherung Steffen Kuhn 21.04.2016 Autonomes Fahren ist das erklärte Ziel von Automobilherstellern, Zulieferern und Dienstleistern In Zukunft muss nicht nur
Automatisiertes Fahren im Individualverkehr
Stadt Ingolstadt Oberbürgermeister Dr. Christian Lösel Dr. Miklos Kiss Automatisiertes Fahren im Individualverkehr Perspektiven aus Ingolstädter Sicht 1 Unterschied zwischen Traum und Realität 2 Wünsche
Automatisiertes Einparken an der HTW Dresden - Konzeption und aktueller Stand
Labor für Kraftfahrzeug-Mechatronik & Professur Elektromobilität Automatisiertes Einparken an der HTW Dresden - Konzeption und aktueller Stand www.mechlab.de Prof Trautmann / Prof. Zipser Dies academicus
Bachelorarbeit Erkennung von Fließtext in PDF-Dokumenten
Bachelorarbeit Erkennung von Fließtext in PDF-Dokumenten 16.08.2016 David Spisla Albert Ludwigs Universität Freiburg Technische Fakultät Institut für Informatik Gliederung Motivation Schwierigkeiten bei
Von der Multimodalität zum Robotaxi Was brauchen wir für die Energiewende auf der Straße?
DLR.de Folie 1 Von der Multimodalität zum Robotaxi Was brauchen wir für die Energiewende auf der Straße? Berlin 16.5.2017 Tobias Kuhnimhof, DLR Institut für Verkehrsforschung DLR.de Folie 2 Treibhausgas
Verbundprojekt. Automated Cars and Intelligent Traffic in the City. Automatisierte Fahrzeuge und Intelligenter Verkehr in der Stadt
Verbundprojekt Automated Cars and Intelligent Traffic in the City Automatisierte Fahrzeuge und Intelligenter Verkehr in der Stadt Dr. Ulrich Kreßel, Daimler AG Fachtagung Automatisiertes und vernetztes
Autos der Zukunft. Dr. Dominik Herrmann Universität Hamburg. Folien zum Download:
Autos der Zukunft Dr. Dominik Herrmann Universität Hamburg Folien zum Download: http://dhgo.to/autosderzukunft Themen des Vortrags Einblick in die Technik Safety (unbeabsichtigte Ereignisse) Security (beabsichtigte
Customer Value of Autonomous Driving
Seite 1 Customer Value of Autonomous Driving Christian Laesser und Daniel Bazzi 24. Oktober 2018 Seite 2 Die 5 Levels des autonomen Fahrens. 0. Keine Automatisierung: Der Fahrer übernimmt sämtliche Aufgaben
Ethik und KI Beispiel autonomes Fahren
Ethik und KI Beispiel autonomes Fahren Cebit 2018 Michael Mörike Integrata-Stiftung für humane Nutzung der IT Was ist autonomes Fahren? Fünf Stufen: 0. Fahrer macht alles selbst: beschleunigen, bremsen,
Der Mensch bleibt ein entscheidender Faktor
4 marktreport AUTONOMES FAHREN Der Mensch bleibt ein entscheidender Faktor Das Interview führte Olaf Wittrock, freier Finanzjournalist Weitere Informationen zum autonomen Fahren und zur Kraftfahrtversicherung
Automatisierung und Vernetzung Einführung und Rahmenbedingungen Symposium Automatisiertes und vernetztes Fahren schöne neue Welt!? Berlin 20.
Automatisierung und Vernetzung Einführung und Rahmenbedingungen Symposium Automatisiertes und vernetztes Fahren schöne neue Welt!? Berlin 20. November 2018 Marko Gustke Schlüsseltreiber für die Mobilität
EFS Deep Learning für das Fahren der Zukunft. Anton Junker
EFS Deep Learning für das Fahren der Zukunft Anton Junker Wer ist die EFS? Wer sind wir? Unternehmen Gründung 2009 Standort Ingolstadt/Wolfsburg Beteiligung GIGATRONIK Gruppe (51%) Audi Electronics Venture
2. HOCHAUTOMATISIERTES FAHREN 3. STRASSENDATEN 4. METHODISCHER GESAMTPROZESS
DIGITALE STRASSENDATEN ALS VORWISSEN FÜR HOCHAUTOMATISIERTE FAHRZEUGE Fachveranstaltung Mobilität der Zukunft ein Sicherheitsgewinn? Prof. Dr. -Ing. habil. Wolfgang Kühn, 1 1. PROBLEMATIK 2. HOCHAUTOMATISIERTES
Arbeitsblatt zum Thema Autonomes Fahren (1)
Arbeitsblatt zum Thema Autonomes Fahren (1) Aufgabe 1: Lesen Sie den nachfolgenden Text. 5. 10. Autonomes Fahren Hört man die Nachrichten, so steht das Zeitalter des fahrerlosen Straßenverkehrs kurz vor
RECHTSSICHERHEIT BEIM HOCH- UND VOLLAUTOMATISIERTEN FAHREN
1 l 5 RECHTSSICHERHEIT BEIM HOCH- UND VOLLAUTOMATISIERTEN FAHREN Das Bundeskabinett hat im Januar den Gesetzentwurf zum automatisierten Fahren (Änderung des Straßenverkehrsgesetzes) beschlossen. Der Gesetzentwurf
Autonomes Fahren und KI
Autonomes Fahren und KI Kann eine autonom steuernde KI den normal reagierenden menschlichen Fahrer sicher ersetzen/übertreffen? Marco-Marcel Pechtold 19. Januar 2018 Inhaltsverzeichnis 1 Einleitung 2 2
Haftung beim automatisierten Fahren. JUNE 28, 2018 Benedikt Xylander +49 (0)
Haftung beim automatisierten Fahren JUNE 28, 2018 Benedikt Xylander Benedikt.Xylander@gtlaw.com +49 (0)30 700 171 226 Gliederung I. Automatisierungsstufen II. III. IV. Rechtsrahmen Haftung von Fahrzeughalter
Automotive-Innovationsforum 2015 Automatisiertes und vernetztes Fahren Chancen und Herausforderungen für die Automobilindustrie
Automotive-Innovationsforum 2015 Automatisiertes und vernetztes Fahren Chancen und Herausforderungen für die Automobilindustrie Systematisierung des automatisierten und vernetzten Fahrens Status quo und
IAS Ringvorlesung 21.11.2013
IAS Ringvorlesung 21.11.2013 Hochautomatisiertes Fahren Status Quo und Zukunftsvisionen Dipl.-Ing. Marian Zeyen Kooperationsprojekt Hochautomatisiertes Fahren Vorstellung Dipl.-Ing. Marian Zeyen Geboren:
Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens
Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 19.12.2013 Allgemeine Problemstellung
Platooning im Alltag Potentiale und Perspektiven Trucksymposium 2017, Nuerburg Ring. Schenker AG Dr. Ane-Kristin Reif-Mosel Essen
Platooning im Alltag Potentiale und Perspektiven Trucksymposium 2017, Nuerburg Ring Schenker AG Dr. Ane-Kristin Reif-Mosel Essen 2017-06 DB Schenker Land Transport Luftfracht Seefracht Kontraktlogistik
Der Sprung in die Zukunft! Einführung in neuronale Netzwerke
Der Sprung in die Zukunft! Einführung in neuronale Netzwerke Inhalt 1. Warum auf einmal doch? 2. Welche Einsatzgebiete gibt es? 3. Was sind neuronale Netze und wie funktionieren sie? 4. Wie lernen neuronale
PROGNOS ANALYTICS KÜNSTLICHE INTELLIGENZ IN ECHTZEIT. Tanja Krüger,
PROGNOS ANALYTICS KÜNSTLICHE INTELLIGENZ IN ECHTZEIT Tanja Krüger, 04.05.2017 STECKBRIEF RESOLTO Gründung 2003 Geschäftsführende Gesellschafterin: Fokus: Mitarbeiter: Skalierung: Tanja Krüger Advanced
Automatisiertes/Autonomes Fahren
Automatisiertes/Autonomes Fahren Automatisierte Fahrzeuge als Herausforderung für das Verhaltens-, Zulassungs- sowie Straf-, Ordnungswidrigkeiten- und Haftungsrecht; ethische, rechtssichere Algorithmen
WIE GUT MÜSSEN AUTOMATISIERTE FAHRZEUGE FAHREN?
WIE GUT MÜSSEN AUTOMATISIERTE FAHRZEUGE FAHREN? PROJEKT ZUR ETABLIERUNG VON GENERELL AKZEPTIERTEN GÜTEKRITERIEN, WERKZEUGEN UND METHODEN SOWIE SZENARIEN UND SITUATIONEN ZUR FREIGABE HOCHAUTOMATISIERTER
Intelligente Transportsysteme
Intelligente Transportsysteme Universität Ulm Fakultät für Informatik Proseminar Künstliche Intelligenz SS 2004 Michael Arnold Typen intelligenter Transportsysteme Fahrer-Assistenz-Systeme Mensch hat Kontrolle
KÜNSTLICHE INTELLIGENZ
KÜNSTLICHE INTELLIGENZ KI EVOLVE YOUR COMMUNICATION CALL WhatsApp APP CHAT SOCIAL MEDIA WEB Bis vor kurzem noch unter der Kategorie Science Fiction abgelegt, ist die Einbindung Künstlicher Intelligenz
Durch Usability spürbar produktiver werden. kirschwerk - Wir machen s einfach
Durch Usability spürbar produktiver werden Inhalt Wer ist kirschwerk? Überblick über Referenzen Ausgewählte Referenzen kirschwerk kurz vorgestellt einfach machen seit 2010 Gegründet 2010 Geschäftsführerin:
Künstliche Intelligenz: Periodensystem der Elemente. Arbeitskreis Artificial Intelligence
Künstliche Intelligenz: Periodensystem der Elemente Arbeitskreis Artificial Intelligence Künstliche Intelligenz: 28 Elemente Künstliche Intelligenz: 28 Elemente - 8 Fragen Was genau leistet das Element?
in der Versorgungstechnik? Prof. Dr. Michael Krödel
Künstliche Intelligenz (KI) in der Versorgungstechnik? g Was ist KI? Künstliche Intelligenz (KI; engl. artificial i intelligence, AI) ist ein Teilgebiet der Informatik, das sich mit der Automatisierung
Artificial Intelligence. Deep Learning Neuronale Netze
Artificial Intelligence Deep Learning Neuronale Netze REVOLUTION Lernende Maschinen Mit lernenden Maschinen/Deep Learning erleben wir aktuell eine Revolution in der Informationsverarbeitung. Neue Methoden
Rechtliche Rahmenbedingungen zur Genehmigung und Prüfung von AVF Wirtschaftskammer Österreich - Österreich als Testregion für automatisiertes Fahren
Rechtliche Rahmenbedingungen zur Genehmigung und Prüfung von AVF Wirtschaftskammer Österreich - Österreich als Testregion für automatisiertes Fahren Dipl.-Ing. Jürgen Bönninger, Zentrale Stelle nach StVG
Forschung zum automatisierten und vernetzten Fahren. Dr.-Ing. Tobias Hesse
Forschung zum automatisierten und vernetzten Fahren Dr.-Ing. Tobias Hesse DLR.de Folie 2 Automatisierter und vernetzter Straßenverkehr der Zukunft Der Nutzer steht im Mittelpunkt Anforderungen an Automation:
F a c h t a g u n g d e s B M W i und B M B F B e r l i n, 1. D e z e m b e r D r. M i c h a e l K r a i l
Ö kologische, ökonomische und gesellschaftliche des automatisierten und vernetzten Fahrens F a c h t a g u n g d e s B M W i und B M B F B e r l i n, 1. D e z e m b e r 2 0 1 7 D r. M i c h a e l K r a
Alles im Griff? Der Einfluss fahrfremder Tätigkeiten
Alles im Griff? Der Einfluss fahrfremder Tätigkeiten Autofahren früher heute zukünftig Prof. Dr. Sebastian Pannasch Folie 2 Stufen der Automatisierung beim Autofahren Prof. Dr. Sebastian Pannasch Folie
Mobilität der Zukunft - wie könnte diese aussehen und was ist dafür zu tun?
Mobilität der Zukunft - wie könnte diese aussehen und was ist dafür zu tun? KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft www.kit.edu Wie sah die Mobilität früher aus? 2 16.02.2017 Dr.-Ing.
Strassenverkehrsrechts- Tagung 2016: Die Benutzung automatisierter Motorfahrzeuge aus strafrechtlicher Sicht. Christof Riedo Stefan Maeder
Strassenverkehrsrechts- Tagung 2016: Christof Riedo Stefan Maeder Universität Freiburg i.ue. Die Benutzung automatisierter Motorfahrzeuge aus strafrechtlicher Sicht UNIVERSITÄT FREIBURG Vorbemerkung: Zurechnungsbedürfnis
Konzepte der AI: Maschinelles Lernen
Konzepte der AI: Maschinelles Lernen Nysret Musliu, Wolfgang Slany Abteilung für Datenbanken und Artificial Intelligence Institut für Informationssysteme, TU-Wien Übersicht Was ist Lernen? Wozu maschinelles
Anforderungen an automatisierte und vernetzte Fahrfunktionen Fachtagung Intelligente Lösungen für effiziente Mobilität Dipl.-Psych.
Anforderungen an automatisierte und vernetzte Fahrfunktionen Fachtagung Intelligente Lösungen für effiziente Mobilität Dipl.-Psych. Udo Schüppel, Zentrale Stelle nach StVG Dresden, 15.09.2016 FSD Zentrale
Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens
Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 17.04.2015 Entscheidungsprobleme beim Textmining
Einführungsvortrag Autonomes Fahren. Prof. Dr.-Ing. Karsten Lemmer Deutsches Zentrum für Luft- und Raumfahrt e.v. Institut für Verkehrssystemtechnik
www.dlr.de Folie 1 Einführungsvortrag Autonomes Fahren Prof. Dr.-Ing. Karsten Lemmer Deutsches Zentrum für Luft- und Raumfahrt e.v. Institut für Verkehrssystemtechnik www.dlr.de Folie 2 Wenn ich die Menschen
afas - automatisch fahrerlos fahrendes Absicherungsfahrzeug für Arbeitsstellen auf Autobahnen
afas - automatisch fahrerlos fahrendes Absicherungsfahrzeug für Arbeitsstellen auf Autobahnen Version 01-00-00 www.afas-online.de Forschungsprojekt afas demonstriert die Projektergebnisse eines fahrerlos
Rechtliche Herausforderungen beim automatisierten Fahren
Rechtliche Herausforderungen beim automatisierten Fahren ALR Dipl.-Ing. Dipl.-Jur. Forschungsstelle RobotRecht E-Mail: lennart.lutz@jura.uni-wuerzburg.de Vorteile und Potenzial automatisierter Fahrzeuge
Die Strategie der Bundesregierung beim automatisierten und vernetzten Fahren
Die Strategie der Bundesregierung beim automatisierten und vernetzten Fahren Dr. Tobias Miethaner, Leiter der Abteilung Digitale Gesellschaft Bundesministerium für Verkehr und digitale Infrastruktur AAET
Kraftfahrtversicherung
6 16 Kraftfahrtversicherung Automatisiertes bzw. autonomes Fahren Fakten und Perspektiven Beinahe täglich begegnet uns das Thema automatisiertes bzw. autonomes Fahren in den Medien und in öffentlichen
Testing Reality. Real users. Real devices. Real time.
1 Testing Reality. Real users. Real devices. Real time. Erhalten Sie wertvolle Erkenntnisse über die Nutzung Ihres Produkts mit Crowdtesting und Cloud Devices auf einer Plattform. Für die Optimierung von
Potenziale aktiver Sicherheitssysteme
Potenziale aktiver Sicherheitssysteme Prof. Dr. Stefan Gies Expertenforum, November 2017 Entwicklung des Unfallgeschehens in D 2 08. November 2017 Prof. Dr. Stefan Gies, Expertenforum Entwicklung des Unfallgeschehens
FPGA - aktuelle Bausteine und ihre Anwendungen von Altera
FPGA - aktuelle Bausteine und ihre Anwendungen von Altera T E C H N I S C H E I N F O R M A T I K P R Ä S E N T A T I O N 1 8. 0 1. 2 0 1 8 B E R N H A R D S A N G M A T R I K E L N U M M E R : 6 4 0 3
afas Entwicklung und Erprobung eines automatisch fahrerlos fahrenden Absicherungsfahrzeuges
Kolloquium für Fortgeschrittene Karlsruher Erfahrungsaustausch Straßenbetrieb afas Entwicklung und Erprobung eines automatisch fahrerlos fahrenden Absicherungsfahrzeuges Gerd Riegelhuth, Susanne Schulz
«Selbstfahrende Autos wird sich die Sicherheit automatisch erhöhen?»
bfu Beratungsstelle für Unfallverhütung «Selbstfahrende Autos wird sich die Sicherheit automatisch erhöhen?» Begrüssung bfu-forum, 16. November 2016, Bern, Kulturcasino Bern Brigitte Buhmann, Dr. rer.
Auf dem Weg zum automatisierten Fahren
Auf dem Weg zum automatisierten Fahren Robustheitsanalyse der Steuergerätesoftware durch die Simulation systematisch variierter Verkehrsszenarien Steffen Wittel, Daniel Ulmer und Oliver Bühler Embedded
Automatisiertes Fahren
Automatisiertes Fahren Stand der Technik und Herausforderungen auf dem Weg zur Markteinführung Dr. Ulrich Eberle Project Lead Advanced Technology Adam Opel AG American Chamber of Commerce Eisenach, 9.
Verhaltensrechtliche und gesellschaftliche Rahmenbedingungen der Fahrzeugautomatisierung
Verhaltensrechtliche und gesellschaftliche Rahmenbedingungen der Fahrzeugautomatisierung 13.04.2016 Dr. Christoph Hecht www.adac.de Kleinkraftroller Piaggio Fly 50 4T Abbildung: Piaggio 13. 04. 2016 Verhaltensrechtliche
AUTONOMES FAHREN TRENDS UND HERAUSFORDERUNGEN IN DER IKT FORSCHUNG
AUTONOMES FAHREN TRENDS UND HERAUSFORDERUNGEN IN DER IKT FORSCHUNG Prof. Dr. Ing. J. Marius Zöllner FZI Forschungszentrum Informatik am Karlsruher Institut für Technologie FZI FORSCHUNGSZENTRUM INFORMATIK
DVR PRESSESEMINAR DAS AUTONOME FAHRZEUG AUF DEM PRÜFSTAND
DVR PRESSESEMINAR DAS AUTONOME FAHRZEUG AUF DEM PRÜFSTAND Udo Schüppel, FSD Zentrale Stelle Bonn, 25.11.2014 BEGRIFFSBESTIMMUNG AUTONOM VS. AUTOMATISIERT DIE AUTOMOBILE WELT IM WANDEL STUFENWEISE EINFÜHRUNG
Statistiken. Features
Bild 5.6_1 Statistiken 2001 waren 17 % der Unfälle in Deutschland Auffahrunfälle mit dem vorausfahrenden Fahrzeug (Quelle: Statistisches Bundesamt) Eine Studie stellte eine um 40 % gesteigerte Reaktionsfähigkeit
Datenorientierte SA. Aufbau und Grundlagen. Aufbau und Grundlagen. Aufbau und Grundlagen. Was sind neuronale Netze?
Datenorientierte SA Was sind neuronale Netze? Neuronale Netze: Grundlagen und Anwendungen Neuronale Netze bilden die Struktur eines Gehirns oder eines Nervensystems ab Andreas Rauscher 0651993 Damir Dudakovic
Herausforderungen beim Fahren virtueller Testkilometer. 8. IBS-Workshop Automotive Software Engineering Bernd Huber, Dr.
Herausforderungen beim Fahren virtueller Testkilometer 8. IBS-Workshop Automotive Software Engineering Bernd Huber, Dr. Mirko Nentwig 2 Unsere Themen Motivation Prämisse Vision Anforderung Herausforderungen
DOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING
DOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING Andreas Nadolski Softwareentwickler andreas.nadolski@enpit.de Twitter: @enpit Blogs: enpit.de/blog medium.com/enpit-developer-blog 05.10.2018, DOAG Big Data
Autonomes Fahren - der Status Quo und was ist möglich?
Verkehrssymposiums der VSVI 13.11.2015 Mainz Autonomes Fahren - der Status Quo und was ist möglich? Prof. Dr. Peter König Autonomes Fahren - das Ende aller Unfälle TAZ Autonomes Fahren in der Zukunft Autonomes
Grundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 4. Einführung: Umgebungen und Problemlösungsverfahren Malte Helmert Universität Basel 2. März 2015 Einführung: Überblick Kapitelüberblick Einführung: 1. Was ist Künstliche
Die Teleoperation als Ansatz zur fahrerlosen Fahrzeugführung
Die Teleoperation als Ansatz zur fahrerlosen Fahrzeugführung Sebastian Gnatzig, Erick Haas, Prof. Dr. Markus Lienkamp Gliederung Einleitung Stand der Technik Vorgehen Durchführung Diskussion Zusammenfassung
Rückwärtsfahren bei der Abfallsammlung
Rückwärtsfahren bei der Abfallsammlung Anforderungen an Rückfahrassistenzsysteme für Abfallsammelfahrzeuge Hermann Haase Prüf- und Zertifizierungsstelle Fachbereich Verkehr und Landschaft im DGUV Test
Kamera-basierte Objekterkennung
Kamera-basierte Objekterkennung Deep Machine Learning. Version 2.0 Einführung Motivation & Megatrends Motivation In der Logistik verursacht die Identifizierung (das Scannen) der Produkte, Pakete, Paletten,
Realtime Daten-Rückschreibung in Tableau mit der Extensions API //
Was wir vorhersagen, soll auch eintreffen! Realtime Daten-Rückschreibung in Tableau mit der Extensions API // Pascal Muth Zusammenfassung In diesem Whitepaper wird die Tableau Extensions API von Tableau
Neue automobilität: Automatisierter Straßenverkehr der Zukunft
Neue automobilität: Automatisierter Straßenverkehr der Zukunft Stefanie Baumann Bundeskongress Öffentliche Infrastruktur Berlin, 01.Dezember 2016 Die Zukunft der Mobilität ist elektrisch, vernetzt und
Titelblatt. Gruppe Wall E. Phasenverantwortlicher: Daniel Rother. Kooperative Steuerung von Modellversuchsfahrzeugen Sommersemester 2008
Titelblatt Phasenverantwortlicher: Daniel Rother Kooperative Steuerung von Modellversuchsfahrzeugen Sommersemester 2008 Institut für Betriebssysteme und Rechnerverbund Technische Universität Braunschweig
Motivation und Handlungsbedarf für Automatisiertes Fahren
Motivation und Handlungsbedarf für Automatisiertes Fahren DVR-Kolloquium Automatisiertes Fahren Bonn, 11.12.2013 Hans-Thomas Ebner, Leiter der Abteilung Technik für den VDA AK Automatisiertes Fahren Automatisiertes
Text Mining for Second Screen
Text Mining for Second Screen Anwendungen 2 Ivan Demin ivan.demin@haw-hamburg.de 5. Juni 2014 Agenda 1 Motivation 2 Learning to link with wikipedia 3 Generating Queries from User-Selected Text 4 Feeding
Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH
Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung 26.10.2016, TP 2: Arbeiten von A.R.T. TP2: Tracking und Umfelderkennung Markerloses Tracking texturierte Objekte Umfelderkennung
Automatisiert unterwegs. Intelligente Systeme für Nutzfahrzeuge
Automatisiert unterwegs Intelligente Systeme für Nutzfahrzeuge 3 Was ist ADAS? Advanced Driver Assistance Systems sind Fahrerassistenzsysteme, die Fahrer in bestimmten Situationen unterstützen, um Komfort,
Technische Universität Berlin Fakultät IV Elektrotechnik und Informatik. 8. Aufgabenblatt
Technische Universität Berlin Fakultät IV Elektrotechnik und Informatik Künstliche Intelligenz: Grundlagen und Anwendungen Albayrak, Fricke (AOT) Oer, Thiel (KI) Wintersemester 2014 / 2015 8. Aufgabenblatt
Der Lkw der Zukunft: Automatisiertes Fahren bei Daimler Trucks. Wilhelmus Kok Esslingen 17. Mai Daimler Trucks
Der Lkw der Zukunft: Automatisiertes Fahren bei Daimler Trucks Wilhelmus Kok Esslingen 17. Mai 2017 Daimler Trucks Gliederung 1. Warum automatisiertes Fahren? 2. Highway Pilot (automatisiertes Fahren)
Das autonome Fahren als Herausforderung für das Recht. Univ.-Prof. Dr. Stefan Storr
Das autonome Fahren als Herausforderung für das Recht Univ.-Prof. Dr. Stefan Storr 1 Unfall am 23. 3. 2018 in Kalifornien http://www.spiegel.de/auto/aktuell/bild-1202698-1270408.html 2 Unfall am 18. 3.
Sicherheit und Städtebau im digitalen Zeitalter
Sicherheit und Städtebau im digitalen Zeitalter Insight ICE-City am 30.09.2016 in Erfurt Leitender Kriminaldirektor Heiko Schmidt Smart City (New York) Quelle: https://www.link.nyc/ Smart City Menschen
elaboratum InsureFin Digital Day 2018 Was kann KI für die Finanzdienstleistungs- und Versicherungsbranche leisten?
elaboratum InsureFin Digital Day 2018 Was kann KI für die Finanzdienstleistungs- und Versicherungsbranche leisten? Wolfgang Beinhauer Fraunhofer IAO Seite 1 Mensch oder Maschine? Der Turing-Test (Alan
Diskriminatives syntaktisches Reranking für SMT
Diskriminatives syntaktisches Reranking für SMT Fortgeschrittene Themen der statistischen maschinellen Übersetzung Janina Nikolic 2 Agenda Problem: Ranking des SMT Systems Lösung: Reranking-Modell Nutzung
ECHTZEIT-ORTUNG UND PROZESSDIGITALISIERUNG. Präzise. Einfach. Smart.
ECHTZEIT-ORTUNG UND PROZESSDIGITALISIERUNG. Präzise. Einfach. Smart. DIE ZUKUNFT DES PRODUKTIONS- UND LOGISTIKMANAGEMENTS DIE KINEXON TECHNOLOGIE 85 % aller Assets sind noch nicht digitalisiert doch in
Schwierigkeitsbestimmung von C-Test-Lücken. Lisa Beinborn Assozierte Doktorandin UKP-DIPF UKP Lab, TU Darmstadt 09 July 2013
Schwierigkeitsbestimmung von C-Test-Lücken Lisa Beinborn Assozierte Doktorandin UKP-DIPF UKP Lab, TU Darmstadt 09 July 2013 Virtualisierung vereinfacht individuelle Förderung Anpassung von Lernmaterialien
Smart Mobility Selbstfahrende Minibusse im Personennahverkehr
DI Dr. Karl Rehrl und Univ.-Doz. Dr. Siegfried Reich Smart Mobility Selbstfahrende Minibusse im Personennahverkehr OCG Jahresopening, 24. Jänner 2017 Die Story: Last-Mile im öffentlichen Personennahverkehr!
Können lernende Algorithmen ISO26262-konform sein?
Können lernende Algorithmen ISO26262-konform sein? 7. Februar 2017 Florian Bogenberger Technikforum Funktionale Sicherheit und Security in der Fahrzeugelektronik, Braunschweig Functional Safety & CyberSecurity
Künstliche Intelligenz
Künstliche Intelligenz Achim Berg Bitkom-Präsident Berlin, 15. November 2017 Goldmund-Lukic Stocksy United Künstliche Intelligenz ist Mehrheit der Bundesbürger ein Begriff Haben Sie schon einmal von dem
Interaktive Lokalisierung durch Objekterkennung
Interaktive Lokalisierung durch Objekterkennung Bachelor Thesis Adrian Batzill Motivation GPS Abweichungen - Guter Tag: ~5m - Wahrscheinlicher: >15m Kompass Abweichungen: - Normal ~3-10 Für Augmented Reality
Kosten- und Zeitersparnis durch konstruktionsbegleitende Simulation mit CATIA V5 Die numerische Simulation ist mittlerweile ein fester und nicht mehr
Kosten- und Zeitersparnis durch konstruktionsbegleitende Simulation mit CATIA V5 Die numerische Simulation ist mittlerweile ein fester und nicht mehr wegzudenkender Bestandteil des Produktionsprozesses.
Parrot v3. für Entscheider
Parrot v3 für Entscheider 1 Die Zeit ist jetzt. Chatbots gehören zweifelsohne zu den aufregendsten Buzzwords der modernen Marketinglandschaft. Viele Unternehmen ho!en, damit junge Zielgruppen dort anzusprechen,
Webinar: Online Performance-Marketing Erfolg messen mit Web-Controlling
Webinar: Online Performance-Marketing Erfolg messen mit Web-Controlling Herzlich Willkommen Die Moderatoren Fabian Mlink Online-Marketing Consultant Matthias Bohleber Sales Representative Fragen über den
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Modellevaluierung. Niels Landwehr
Universität Potsdam Institut für Informatik ehrstuhl Maschinelles ernen Modellevaluierung Niels andwehr ernen und Vorhersage Klassifikation, Regression: ernproblem Eingabe: Trainingsdaten Ausgabe: Modell
ABSICHERUNGS- UND BEWERTUNGSMETHODEN FÜR KOOPERATIVE HOCHAUTOMATISIERTE FAHRZEUGE
ABSICHERUNGS- UND BEWERTUNGSMETHODEN FÜR KOOPERATIVE HOCHAUTOMATISIERTE FAHRZEUGE AAET-2017, Braunschweig Sven Hallerbach, Ulrich Eberle (Adam Opel AG) Frank Köster (DLR) www.opel.com MOTIVATION Kooperatives