guest ::
| Home > Authorities > Grants > Record #531552 |
DFG project G:(GEPRIS)273350361
Lernen kooperativer Trajektorien im gemischten Verkehr
| Coordinator | Professor Dr. Wolfram Burgard ; Professor Dr.-Ing. Christoph Stiller |
| Grant period | 2015 - 2021 |
| Funding body | Deutsche Forschungsgemeinschaft |
| DFG | |
| Identifier | G:(GEPRIS)273350361 |
⇧ SPP 1835: Kooperativ interagierende Automobile ⇧
Note: Der Verkehr der Zukunft wird sich wahrscheinlich deutlich von dem heutigen unterscheiden. Derzeit gibt es weltweit ausgedehnte Anstrengungen dazu, den Verkehr durch den Einsatz selbstfahrender Fahrzeuge zu automatisieren. Da es aber für einen langen Zeitraum noch Fahrzeuge geben wird, die nicht selbständig fahren können und es gleichzeitig auch noch Fahrer geben wird, die ihr Fahrzeug gerne selber steuern, muss damit gerechnet werden, dass es zumindest für eine Übergangszeit einen gemischten Verkehr geben wird, der aus selbstfahrenden und von Menschen gesteuerten Fahrzeugenbesteht. Der Großteil der aktuellen Forschung zu selbstfahrenden Fahrzeugen befasst sich jedoch mit der Autonomie der einzelnen Fahrzeuge. In dem hier vorgeschlagenen Projekt, welches sich nahtlos in das Schwerpunktprogramm „Kooperativ interagierende Automobile“ einfügt, wollen wir untersuchen, wie man effizient die Trajektorien von einer Anzahl von Fahrzeugen in einem Szenario mit gemischtem Verkehr planen und ausführen kann.Ziel des vorgeschlagenen Projekts ist somit die Erforschung von Lernverfahren für nachweisbar sichere Manöver- und Trajektorienkollektive im gemischten Verkehr. Optimales Planen für mehrere Agenten stellt aus theoretischer Sicht für Realzeitanwendungen auf einem Fahrzeug eine Herausforderung dar, die wir in diesem Projekt angehen wollen. Dazu sollen aktuelle Lernverfahren wie das auf Markovschen Entscheidungsprozessodellen basierende Reinforcement Learning und tiefe Q-Netzwerke kombiniert werden, die auf einem gemeinsamen ganzheitlichen Gütefunktionals basieren.Die entwickelten Verfahren sollen in der Simulationsumgebung des Schwerpunktprogramms und in reale Experimentalfahrzeuge integriert, demonstriert und validiert werden.