Refine
Document Type
- Bachelor Thesis (5) (remove)
Language
- German (5)
Keywords
- Autonomes Fahrzeug (5) (remove)
Institute
Im Rahmen dieser Bachelorarbeit wurde das Konzept und die Umsetzung eines Praktikumsversuches zur Car2X-Simulation in der Simulationssoftware CANoe vorgestellt. V2X (Vehicle-2-X), eine der Technologien zur Unterstützung intelligenter Fahrzeuge und intelligenter Mobilität, wird zur Erkennung der Fahrzeugumgebung und zur Durchführung von Sicherheitsbewertungen in Echtzeit eingesetzt, wodurch Verkehrsunfälle verringert, Verkehrsstaus reduziert und die Verkehrseffizienz verbessert werden. Die V2XTechnologie ist ein wichtiger Garant für die Verwirklichung des autonomen Fahrens. Das Hauptziel dieses praktischen Experiments ist, toolgestützte Praktikumsversuche für V2XAnwendungen zu entwickeln. Die Ampelanlage und die Logik zur Beurteilung der Ampelanlage durch das Auto wurden mit der Programmiersprache CAPL implementiert und mit der Software CANoe und dem Signalkommunikationsinterface VN4610 simuliert, getestet und umgesetzt
Die vorliegende Bachelorarbeit setzt sich mit der Vermarktung autonomer Automobile in Deutschland auseinander. Da sich durch autonomes Fahren eine vollkommen neue Form der Mobilität entwickelt, muss eine Vermarktung dieser ausreichend vorausgeplant werden. Anhand einer qualitativen Akzeptanzforschung mittels einer Fokusgruppe sollen die Einflussfaktoren auf die Akzeptanz von autonomen Automobilen in Deutschland untersucht werden. Ziel dieser Arbeit ist es, mithilfe der Akzeptanzforschung Anhaltspunkte für eine erfolgreiche Vermarktung autonomer Automobile abzuleiten.
Ziel dieser Bachelorarbeit ist es, verschiedene Erweiterungen zu dem Projekt JetBot in Jupyter Lab vorzustellen. Des Weiteren wird die Integration des „Robot Operating System“ (ROS) mit Nvidias JetBot verständlich dargestellt. Hierzu musste der JetBot vorerst mit verschiedensten Sensoren über ROS in Betrieb genommen werden. Im Zuge dessen wird immer wieder der Bezug zum autonomen Fahren hergestellt.
Die vorliegende Bachelorarbeit beschäftigt sich mit maschinellem Lernen im Kontext des autonomen Fahrens. Das Ziel dieser Arbeit ist das Anlernen eines Steuerungsmechanismus eines simulierten Fahrzeugs, auf Grundlage maschineller Lernverfahren, speziell dem Deep Reinforcement Learning. Dazu werden zunächst die Grundlagen des autonomen Fahrens und des maschinellen Lernens geklärt. Mit der Unity-Engine und dem ML-Agents Toolkit wurden Szenen erstellt, in denen Agenten trainiert werden. In verschiedenen Szenen mit unterschiedlichen Komplexitäten und Aufgaben sollen die Agenten lernen ein simuliertes Fahrzeug zu steuern und die jeweilige Aufgabe zu erfüllen. Um das Fahrzeug zu steuern muss der Agent die Längs- und Querführung übernehmen. Die Aufgaben können zum Beispiel anhalten in einem Zielbereich, ausweichen vor Hindernissen oder folgen eines bestimmten Streckenverlaufs umfassen. Die Ergebnisse zeigten, dass es möglich ist ein simuliertes Fahrzeug, mit einem durch Deep Reinforcement Learning angelernten Steuerungsmechanismus, zu steuern. In den meisten Szenen zeigten die Agenten ein gutes Verhalten. Durch die Ergebnisse konnten Erkenntnisse gewonnen werden, welche Faktoren bei Lernvorgängen besonders wichtig sind. Es zeigte sich, dass unter anderem die Wahl einer guten Belohnungsfunktion ausschlaggebend war.