Verbesserung der Sicherheit im gemischten Verkehr: Ein lernbasiertes modellprädiktives Steuerungsverfahren für autonome und menschengesteuerte Fahrzeugkolonnen
Ein neuartiger Ansatz zur Modellierung des Verhaltens menschengesteuerter Fahrzeuge unter Verwendung von Gauß-Prozess-Regression ermöglicht eine sicherere modellprädiktive Steuerung von gemischten Fahrzeugkolonnen, die aus autonomen und menschengesteuerten Fahrzeugen bestehen.
Kooperative Bewegungsvorhersage mit Multi-Agenten-Kommunikation: Ein praxistauglicher und latenzrobuster Ansatz zur Verbesserung der Wahrnehmung und Vorhersage in vernetzten Fahrzeugen
Unser Ansatz CMP nutzt die Informationsübertragung zwischen vernetzten Fahrzeugen, um die Wahrnehmung und Bewegungsvorhersage zu verbessern. Dabei berücksichtigt CMP realistische Einschränkungen wie Übertragungsverzögerungen und Bandbreitenbegrenzungen.
Autonomes Fahren mit Unsicherheiten in der Wahrnehmung: Auf einem Deep-Ensemble basierender adaptiver Tempomat
Ein Deep-Ensemble von Regressoren schätzt die Entfernung zum Vorderfahrzeug aus RGB-Bildern und quantifiziert die Schätzunsicherheit, um einen stochastischen modellprädiktiven Regler für den adaptiven Tempomat zu ermöglichen, der die Sicherheit probabilistisch gewährleistet.
© 2024 by Linnk AI