Refine
Year of publication
- 2020 (147) (remove)
Document Type
- Article (147) (remove)
Keywords
- Elektrochemie (3)
- Lithium-Eisensulfid-Batterie (3)
- model car (2)
- Ableitung Solltrajektorie (1)
- Altenpflege (1)
- Autonomes Fahren (1)
- Autonomous (1)
- Datenassoziation (1)
- Deep Learning (1)
- Ernährungsintervention (1)
Hintergrund
Die Prävalenz von Mangelernährung im Krankenhaus ist hoch und wird in der Praxis noch häufig unterschätzt. Im Rahmen eines vom BMBF finanzierten Projektes soll diesem Problem mithilfe von Praxiskonzepten mit präventiven und kurativen Maßnahmen für die Zielgruppe geriatrischer Patient*innen begegnet werden.
Methodik
Zur Bestimmung der Ausgangslage hinsichtlich des Ernährungsmanagements und Feststellung der aktuellen Prävalenz von Mangelernährung in zwei Stuttgarter Kliniken wurden im Rahmen des nutritionDays® spezifische Daten erhoben und mit dem Schwerpunkt auf die Zielgruppe ältere Patient*innen ausgewertet.
Ergebnisse
Von 99 eingeschlossenen Patient*innen weisen 39,4% (n=39) ein Risiko für eine Mangelernährung auf, 41 Patient*innen (41,1 %) berichten von einem ungewollten Gewichtsverlust. Der Gewichtsverlust beträgt im Mittel 6,1 kg (SD 3,8) oder 9,7% (SD 5,1) des Körpergewichtes. Nur 19,4% (n=7) der Mangelernährten erhalten eine ernährungsmedizinische Intervention. Es zeigt sich für die Gruppe mit einem hohen Mangelernährungsrisiko ein verlängerter Klinikaufenthalt von 2,1 Tagen (nicht signifikant), ein signifikant geringerer BMI (-4,3 kg/m²; p=0,001), größerer Gewichtsverlust (-12,5% vs. -3,7%; p=0,001) sowie Gewichtsveränderungen in den letzten 5 Jahren (-7,6% vs.+1,2%; p=0,004). Der ungewollte Gewichtsverlust korreliert signifikant mit der Anzahl unterschiedlicher Medikamente (rs=0,397; p=0,029) und einer verringerten Nahrungsaufnahme in der Woche vor Klinikeinweisung (rs=-0,533; p=0,003).
Schlussfolgerung
Die hohe Prävalenz von Mangelernährung unter den älteren Patient*innen bei gleichzeitig ausbleibender Identifikation der Betroffenen führt zu einer unzureichenden Behandlung der Mangelernährung. Diese Defizite lassen sich mithilfe von nutritionDay® Erhebungen deutlich aufzeigen.
Diese Arbeit beschreibt die Aufstellung einer Trajektorie für ein autonomes Fahrzeug. Als Basis dient eine Vorarbeit, bei der ein neuronales Netz das Bild einer Frontkamera eines Autos in Fahrspur und Nicht-Fahrspur segmentiert. Darauf aufbauend wird das Bild zunächst in die Vogelperspektive transformiert. Anschließend folgen eine Detektion der Fahrspurkanten sowie ein Clustering-Verfahren, um linke und rechte Kantenabschnitte zu separieren. Weiter wird die Trajektorie diskret in Form von Parametern des Kreisbogenmodells aufgenommen. Die Prädiktion dieser Parameter erfolgt mittels eines Extended Kalman-Filters. Die abschließende Validierung der Algorithmen erfolgt durch eine synthetisch generierte Fahrspur.
Chances and risks of industry 4.0 for quality assurance - empirical study on companies in the german manufacturing industry. The increasing complexitiy of products as well as the trend to more individualized products lay down enormous tasks on the manufacturing industry. They can only be managed by using industry 4.0 methods. In this context, digitization is implemented in quality assurance, too - fostering a significant increase in product and process quality. The presendt study reveals the current state of digitalization and the opportunities and challenges associated with it - in the view of experts and decision makers of the manufacturing industry.
Diese Arbeit befasst sich mit der Entwicklung einer kamerabasierten Verkehrszeichenerkennung für ein autonom fahrendes Fahrzeug.
Dabei wird das neuronale Netz SSD-MobileNet-V1 verwendet, dessen Training ausschließlich mit virtuellen Trainingsdaten erfolgt. Zur Validierung wird ein autonom fahrendes Modellfahrzeug verwendet. Um die Verkehrszeichenerkennung auf dem Modellfahrzeug integrieren zu können, wird sie in Form eines ROS-Nodes implementiert, welcher außerdem die notwendige Vorverarbeitung der Kamerabilder sowie die Plausibilisierung der erkannten Verkehrszeichen beinhaltet. Es folgt die Integration der Verkehrszeichenerkennung in das Modellfahrzeug, wo sie auf einem NVIDIA Jetson TX2-Board ausgeführt wird.
Die entwickelte Verkehrszeichenerkennung ist in der Lage, 15 der 17 trainierten Verkehrszeichen zuverlässig zu erkennen und kann auf dem NVIDIA Jetson TX2-Board mit ausreichender Performance ausgeführt werden.
Design of a transverse controller for an autonomous driving model car based on the Stanley approach
(2020)
The Stanley approach is an established transverse controller
for autonomous vehicle’s to follow a desired reference
path accordingly. In this publication, functional extensions of
the Stanley algorithm are demonstrated. The resulting overall
lateral controller can be used for autonomous model cars
especially.