Detailergebnis zu DOK-Nr. 74897
Maschinelles Lernen für die kamerabasierte Sensorik bei der Fußgängererkennung: Erfolge und zukünftige Herausforderungen (Orig. engl.: Machine learning for vision-based pedestrian detection: Achievements and future challenges)
| Autoren |
M. Karg G. Scharfenberger R. Thiel |
|---|---|
| Sachgebiete |
6.7.1 Verkehrssteuerung mit LSA 5.6 Fußgängerverkehr, Fußwege, Fußgängerüberwege |
Fahrerassistenzsysteme und automatisiertes Fahren 2018: 34. VDI/VW-Fachtagung, Wolfsburg, 07. und 08. November 2018. Düsseldorf: VDI-Verlag, 2018, CD-ROM (VDI-Berichte H. 2335) S. 151-164, 6 B, 13 Q
Kamerabasierte Sensorik für Fahrerassistenzsysteme und automatisiertes Fahren beinhaltet die Detektion von anderen Verkehrsteilnehmern. Der Anspruch an die Detektionsperformance ist insbesondere hoch für verletzbare Verkehrsteilnehmer wie Fußgänger oder Fahrradfahrer. Wesentliche Fortschritte in der kamerabasierten Objekterkennung wurden innerhalb des letzten Jahrzehnts erreicht. Insbesondere wurde die Forschung auf dem Gebiet der Objekterkennung durch öffentliche Datensätze wie Caltech für die Fußgängererkennung, Kitti für die Sensorfusion und lmageNet für die Multiklassendetektion gefördert. Hierbei ist Caltech der umfangreichste öffentliche Datensatz und Benchmark für die Fußgängererkennung. Durch die erreichten Fortschritte nimmt die Differenz zwischen der Erkennungsgenauigkeit von Architekturen basierend auf künstlicher Intelligenz (KI) und einer menschlichen Vergleichsgruppe stetig ab. Ein Ansporn in der Forschung zu KI ist die Frage, ob eine künstliche Intelligenz eine komplexe Aufgabe einem Menschen ähnlich erfüllen kann? Ist für Fahrerassistenzsysteme und automatisiertes Fahren eine dem Menschen vergleichbare Genauigkeit in der Erkennung von Fußgängern ausreichend? Da falsche Detektionen zu sicherheitskritischen Situationen im Straßenverkehr führen können, gehen die Erwartungen an Sensorsysteme für Fahrerassistenzsysteme und automatisiertes Fahren häufig über menschliche Fähigkeiten hinaus. Anspruchsvoll sind insbesondere seltene Szenarien, für welche nur wenig oder kaum Trainingsdaten zur Verfügung stehen, schwierige Wettersituationen, genaue Lokalisierung, Verdeckung und entfernte Objekte.