Die Bachelorarbeit thematisiert, ob ein Convolutional Neural Network für das autonome Fahren geeignet ist und wie der gesamte Datenprozess für das Convolutional Neural Network Modell aussehen könnte. Um die Forschungsfragen zu beantworten, wurde eine quantitative Literaturarbeit mit aktuellen wissenschaftlichen Kenntnissen durchgeführt. Die Bachelorarbeit ist in der deutschen Sprache geschrieben, aus diesem Grund orientiert sich die Bachelorarbeit an die deutschsprachige Bevölkerung.
Maschinelles Lernen ist für autonomes Fahren zwingend erforderlich. Jedes Fahrzeug, welches sich im öffentlichen Straßenverkehr autonom bewegt, ist eine potenzielle Gefahr für andere Teilnehmer. Zu diesen gehören zum Beispiel weitere Autofahrer, Fußgänger und Fahrradfahrer. Es ist daher wichtig, dass der vollständige Datenprozess und die notwendige Technik für die Objekterkennung im Fahrzeug verstanden werden. Aus diesem Grund ergibt sich die Besonderheit für das Convolutional Neural Network Modell und welchen Einfluss es nach ausführlicher Ausarbeitung für das autonome Fahren hat. Insbesondere die Prozesse während der Datensammlung sowie die Verarbeitung der Daten sind in diesem Modell von hoher Bedeutung. Hierbei ist zu unterscheiden, dass nur gewisse Daten benötigt werden und woher diese gewonnen werden.
Inhaltsverzeichnis
- Abstract
- Vorwort
- Inhaltsverzeichnis
- Abbildungsverzeichnis
- Tabellenverzeichnis
- Abkürzungsverzeichnis
- Symbolverzeichnis
- Glossar
- Einleitung
- Maschinelles Lernen
- Einführung maschinelles Lernen
- Künstliche Neuronale Netzwerke
- Convolutional Neural Network und seine Komponenten
- Convolutional Neural Network und seine Wichtigkeit im Bereich des autonomen Fahrens
- Zielbild bei der Klassifikation Muster- und Bilderkennung im öffentlichen Straßenverkehr
- Daten für den Einsatz von Convolutional Neural Network und für das autonome Fahren
- Bedeutung von Daten und die Datenstruktur für das Convolutional Neural Network
- Daten und die Dateninfrastruktur für das autonome Fahren
- Datengewinnung
- Datenspeicherung und die Herausforderungen
- Datenverarbeitung und die Herausforderungen
- Potenzial für ein Convolutional Neural Network Modell mit den Datensätzen von GTSRB
- Anwendungsbeispiel: Der gesamte Datenprozess für das Convolutional Neural Network
- Forschungsstand, Problematik, weitere Herausforderungen und Ausblick
- Fazit
- Literaturverzeichnis
- Anhang A
- Stichwortverzeichnis
Zielsetzung und Themenschwerpunkte
Diese Bachelorarbeit untersucht die Eignung von Convolutional Neural Networks (CNNs) für das autonome Fahren und analysiert den gesamten Datenprozess für ein solches CNN-Modell. Die Arbeit befasst sich mit der Frage, ob CNNs im Vergleich zum menschlichen Verhalten eine höhere Erfolgsquote im autonomen Fahren erzielen können. Darüber hinaus beleuchtet die Arbeit die Herausforderungen bei der Datenspeicherung und -verarbeitung, die für das Training von CNNs im Kontext des autonomen Fahrens relevant sind.
- Eignung von Convolutional Neural Networks für das autonome Fahren
- Datenprozess für ein CNN-Modell im Kontext des autonomen Fahrens
- Herausforderungen bei der Datenspeicherung und -verarbeitung für das Training von CNNs
- Potenzial von CNNs für das autonome Fahren im Vergleich zum menschlichen Verhalten
- Anwendungsbeispiele für den Einsatz von CNNs im Bereich des autonomen Fahrens
Zusammenfassung der Kapitel
- Die Einleitung stellt die Forschungsfrage und die Zielsetzung der Bachelorarbeit vor.
- Kapitel 2 führt in das Thema maschinelles Lernen ein und erläutert die Funktionsweise von Convolutional Neural Networks.
- Kapitel 3 befasst sich mit der Bedeutung von Daten für den Einsatz von Convolutional Neural Networks und das autonome Fahren. Es analysiert verschiedene Aspekte der Datengewinnung, -speicherung und -verarbeitung sowie die Herausforderungen in diesen Bereichen.
- Kapitel 4 stellt den Forschungsstand, die Problematik und weitere Herausforderungen im Zusammenhang mit dem Einsatz von Convolutional Neural Networks für das autonome Fahren dar.
Schlüsselwörter
Convolutional Neural Network, autonomes Fahren, Datenspeicherung, Datenverarbeitung, Dateninfrastruktur, maschinelles Lernen, künstliche Intelligenz, Bilderkennung, Mustererkennung, Straßenverkehr, GTSRB, Datenprozess.
Häufig gestellte Fragen
Was ist ein Convolutional Neural Network (CNN)?
Ein CNN ist ein künstliches neuronales Netzwerk, das speziell für die Verarbeitung von Bilddaten und die Mustererkennung, etwa im Straßenverkehr, entwickelt wurde.
Warum ist maschinelles Lernen für autonomes Fahren wichtig?
Es ermöglicht Fahrzeugen, Objekte wie Fußgänger oder Verkehrszeichen in Echtzeit zu erkennen und darauf sicher zu reagieren.
Welche Herausforderungen gibt es bei der Datensammlung?
Herausforderungen liegen in der enormen Menge an Daten, deren sicherer Speicherung und der effizienten Verarbeitung für das Training der Modelle.
Was ist der GTSRB-Datensatz?
Der German Traffic Sign Recognition Benchmark (GTSRB) ist ein Standard-Datensatz für das Training von Bilderkennungssystemen für deutsche Verkehrszeichen.
Können CNNs besser fahren als Menschen?
Die Forschung untersucht, ob CNNs durch präzisere Objekterkennung und schnellere Reaktionszeiten eine höhere Sicherheit im Straßenverkehr als menschliche Fahrer erreichen können.
- Citation du texte
- Arda Kaya (Auteur), 2022, Aspekte der Datensammlung beim Einsatz von Convolutional Neural Network für das autonome Fahren, Munich, GRIN Verlag, https://www.grin.com/document/1285356
