Maschinelles Lernen von Crash-Ereignissen mit Virtuellen Fahrzeug-Modellen

In einem aktuellen Forschungsprojekt wird ein IoT-Device entwickelt, das Low-Speed-Crash-Ereignisse mit Hilfe des Beschleunigungssensors detektiert. Der Anwendungsbereich liegt z.B. bei Fahrzeug-Vermietungen, die nicht unmittelbar sichtbare Unfall-Schäden bei Fahrzeug-Rückgabe gezielter identifizieren wollen.
Der Detektor basiert auf einem Machine-Learning-System, das kritische Unfall-Ereignisse von Standard-Fahrmanövern zu unterscheiden lernt. Die dazu notwendigen umfangreichen Beschleunigungs-Datensätze werden zum großen Teil aus der Simulation mit virtuellen Fahrzeug-Modellen generiert, die eine kostengünstige Alternative zu realen Fahrzeug-Crash-Tests ermöglichen.

Vorkenntnisse

Allgemeinverständliche Darstellung des Themas

Lernziele

Grundlage für den erfolgreichen Einsatz des Maschinellen Lernens ist eine umfangreiche Datenbasis. Der Vortrag zeigt, wie durch den Einsatz von Simulations-Modellen eine solche Datenbasis virtuell generiert werden kann.

 

Speaker

 

André Backes
André Backes studierte Mathematik an der Universität Duisburg und promovierte 2006 an der Humboldt-Universität zu Berlin. Seitdem ist er als Technical Manager bei der TECOSIM Technische Simulation GmbH am Standort Rüsselsheim tätig. Seine Schwerpunkte:sind virtuelle Fahrzeug-Entwicklung, virtueller Benchmark, Finite-Elemente-Simulation sowie Prozess-Automatisierung.

Gold-Sponsor

Novatec

Silber-Sponsoren

ETECTURE
inovex
inovex
HO Computer
Intel
Phytec

Bronze-Sponsoren

M3-Newsletter

Sie möchten über die Minds Mastering Machines
auf dem Laufenden gehalten werden?

 

Anmelden