Volltext-Downloads (blau) und Frontdoor-Views (grau)
The search result changed since you submitted your search request. Documents might be displayed in a different sort order.
  • search hit 15 of 1156
Back to Result List

Datenassoziation für Multi-Objekt-Verfolgung mittels Deep Learning

  • 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.

Download full text files

Export metadata

Additional Services

Search Google Scholar

Statistics

frontdoor_oas
Metadaten
Author:Johannes Fitz
URN:urn:nbn:de:bsz:753-opus4-8692
Editor:Johannes Fitz
Document Type:Article
Language:German
Year of Completion:2020
Publishing Institution:Hochschule Esslingen
Release Date:2020/06/17
Tag:Datenassoziation; Multi-Objekt-Verfolgung
GND Keyword:Deep Learning
First Page:1
Last Page:6
Open Access?:frei verfügbar
Licence (German):License LogoVeröffentlichungsvertrag ohne Print-on-Demand