TY  - JOUR
U1  - Zeitschriftenartikel, wissenschaftlich - begutachtet (reviewed)
A1  - Fitz, Johannes
ED  - Fitz, Johannes
T1  - Datenassoziation für Multi-Objekt-Verfolgung mittels Deep Learning
N2  - Für das autonome Fahren ist es notwendig, Verfahren zu entwickeln, die in der Lage sind, die Position und die Orientierung von Objekten zu ermitteln. Eine große Herausforderung ist die Zuordnung der durch Sensoren erfassten Messpunkten zu Objekten und die notwendige Validierung dieser Daten. In diesem Beitrag wird die Datenassoziation von Messpunkten zu einem Objekt mittels Künstlicher Intelligenz (KI) untersucht. Hierbei wird ein Neuronales Netz verwendet, welches die Zuordnung der Messpunkte zu einem bestimmten Objekt übernimmt oder diese als Rauschen deklariert. Es wird untersucht wie sich die Performance von Long Short-Term Memory (LSTM)-Layern gegenüber Dense-Layern für diesen Einsatz-Zweck verhält. Die verwendeten Daten werden mittels einer 2D-Simulation erzeugt. Der Output des Neuronalen Netzes wird verwendet, um die Trajektorien mehrerer Objekte zu erfassen und deren zukünftige Bewegung durch einen Kalman-Filter vorherzusagen.
KW  - Deep Learning
KW  - Datenassoziation
KW  - Multi-Objekt-Verfolgung
Y1  - 2020
U6  - https://nbn-resolving.org/urn:nbn:de:bsz:753-opus4-8692
UN  - https://nbn-resolving.org/urn:nbn:de:bsz:753-opus4-8692
SP  - 1
EP  - 6
ER  -