Read more
Innovative Pre-Crash-Systeme sollen die Sicherheitslücke zwischen aktiver und passiver Fahrzeugsicherheit schließen und die Verletzungsschwere bei unvermeidbaren Kollisionen reduzieren. Diese erfordern eine zuverlässige Prädiktion des Unfalls bereits vor dem Crash. Diese Arbeit entwickelt eine Validierungsstrategie der Funktion zur zuverlässigen Crash-Prädiktion gemäß den Normen ISO 26262 und ISO 21448. Grundlage der Validierung ist die Identifikation relevanter und repräsentativer Kollisionsszenarien aus dem realen Unfallgeschehen. Durch unüberwachtes maschinelles Lernen auf Daten der Unfalldatenbank GIDAS werden repräsentative Testszenarien für die simulative Bewertung der Funktion abgeleitet. Anschließend erfolgt eine ganzheitliche Betrachtung der Systemwirksamkeit. Die Ergebnisse leisten einen Beitrag zur normativen Integration prädiktiver Sicherheitssysteme im Straßenverkehr der Zukunft.
List of contents
Einleitung und Motivation.- Theoretische Grundlagen.- Stand der Wissenschaft und Ableitung der Forschungsfragen.- Validierungsstrategie der Funktion zur prädiktiven Unfallerkennung.- Identifikation von repräsentativen und relevanten Unfallszenarien.- Absicherung der Funktion.- Diskussion der Ergebnisse und Ausblick.- Fazit.
About the author
Roman Putter
studierte Maschinenbau an der Leibniz Universität Hannover. Er promovierte am Institut für Produktentwicklung und Gerätebau (IPeG) während seiner Tätigkeit in der Fahrzeugsicherheitsentwicklung in der Automobilindustrie. Aktuell ist der Autor im Bereich passive und integrale Sicherheitssysteme tätig.
Summary
Innovative Pre-Crash-Systeme sollen die Sicherheitslücke zwischen aktiver und passiver Fahrzeugsicherheit schließen und die Verletzungsschwere bei unvermeidbaren Kollisionen reduzieren. Diese erfordern eine zuverlässige Prädiktion des Unfalls bereits vor dem Crash. Diese Arbeit entwickelt eine Validierungsstrategie der Funktion zur zuverlässigen Crash-Prädiktion gemäß den Normen ISO 26262 und ISO 21448. Grundlage der Validierung ist die Identifikation relevanter und repräsentativer Kollisionsszenarien aus dem realen Unfallgeschehen. Durch unüberwachtes maschinelles Lernen auf Daten der Unfalldatenbank GIDAS werden repräsentative Testszenarien für die simulative Bewertung der Funktion abgeleitet. Anschließend erfolgt eine ganzheitliche Betrachtung der Systemwirksamkeit. Die Ergebnisse leisten einen Beitrag zur normativen Integration prädiktiver Sicherheitssysteme im Straßenverkehr der Zukunft.
