Deep Traffic Reinforcement Learning. Steuern eines Fahrzeugs durch eine simulierte Straßenumgebung mit dichtem Verkehr
-
- Taschenbuch
- eBook ausgewählt
-
Form:Einzelkauf Download
-
Sprache:Deutsch
15,99 €
inkl. gesetzl. MwSt.Beschreibung
Produktdetails
Format
Kopierschutz
Nein
Family Sharing
Nein
Text-to-Speech
Nein
Erscheinungsdatum
05.02.2020
Verlag
GRINSeitenzahl
35 (Printausgabe)
Dateigröße
1101 KB
Auflage
1. Auflage
Sprache
Deutsch
EAN
9783346108005
Studienarbeit aus dem Jahr 2019 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 1,7, FOM Essen, Hochschule für Oekonomie & Management gemeinnützige GmbH, Hochschulleitung Essen früher Fachhochschule, Veranstaltung: Big Data & Data Science, Sprache: Deutsch, Abstract: In den folgenden Abschnitten dieser Arbeit sollen die Themen rund um Reinforcement Learning und ein Praxisbeispiel mit Hilfe von Reinforcement Learning dargestellt werden. Das Praxisbeispiel bezieht sich auf ein simuliertes Verkehrssystem, welches mit Hilfe von Reinforcement Learning selbstständig lernt, ob und wann ein Fahrzeug eigenständig überholen soll.
"Wir stehen am Vorabend einer weiteren mobilen Revolution. In Zukunft werden autonome Fahrzeuge aktiv am Straßenverkehr teilnehmen." (Maurer et al., 2015)
Durch die ansteigende Anzahl der Teilnehmer am Straßenverkehr wird es immer voller und enger auf den Straßen Deutschlands. Typischer Wochenbeginn - alle auf dem Weg zur Arbeit - PKWs, LKWs, Busse und an sonnigen Tagen, die Motorradfahrer. An Teilnehmern am Straßenverkehr fehlt es keines Wegs. Bei dichtem Verkehr steigt dadurch des Risikos eines Unfalls oder eines Staus. Mit autonom fahrenden Fahrzeugen wird sich in naher Zukunft einiges ändern - voraussichtlich auch zum Vorteil aller Autofahrer, wie beispielsweise das Erledigen von Aufgaben oder das Vorbereiten auf ein Kundengespräch während der Fahrt. Dem Autofahrer werden Schritt für Schritt mehr und mehr Aufgaben beim Autofahren abgenommen. Aber auch negative Folgeerscheinungen können entstehen. Beispielsweise die Abhängigkeit der Technik und das Vertrauen in das System. Um das autonome Fahren ermöglichen zu können, benötigten die Fahrzeuge viele notwendige Daten. Diese werden beispielsweise von Sensoren, Kameras oder auch Positionierungssystemen geliefert und in Echtzeit mittels Prozessoren und Kommunikationsschnittstellen anderer Fahrzeuge verarbeiten. Unter anderem ist auch die Verkehrsinfrastruktur ein bedeutender Teil des Ganzen Vorhabens. So müssen die Verkehrsinfrastruktur sowie die Kommunikationsinfrastruktur zusammen harmonieren und mit einander kollaborieren. Hierfür könnte Reinforcement Learning eine entscheidende Rolle beim autonomen Fahren übernehmen.
"Wir stehen am Vorabend einer weiteren mobilen Revolution. In Zukunft werden autonome Fahrzeuge aktiv am Straßenverkehr teilnehmen." (Maurer et al., 2015)
Durch die ansteigende Anzahl der Teilnehmer am Straßenverkehr wird es immer voller und enger auf den Straßen Deutschlands. Typischer Wochenbeginn - alle auf dem Weg zur Arbeit - PKWs, LKWs, Busse und an sonnigen Tagen, die Motorradfahrer. An Teilnehmern am Straßenverkehr fehlt es keines Wegs. Bei dichtem Verkehr steigt dadurch des Risikos eines Unfalls oder eines Staus. Mit autonom fahrenden Fahrzeugen wird sich in naher Zukunft einiges ändern - voraussichtlich auch zum Vorteil aller Autofahrer, wie beispielsweise das Erledigen von Aufgaben oder das Vorbereiten auf ein Kundengespräch während der Fahrt. Dem Autofahrer werden Schritt für Schritt mehr und mehr Aufgaben beim Autofahren abgenommen. Aber auch negative Folgeerscheinungen können entstehen. Beispielsweise die Abhängigkeit der Technik und das Vertrauen in das System. Um das autonome Fahren ermöglichen zu können, benötigten die Fahrzeuge viele notwendige Daten. Diese werden beispielsweise von Sensoren, Kameras oder auch Positionierungssystemen geliefert und in Echtzeit mittels Prozessoren und Kommunikationsschnittstellen anderer Fahrzeuge verarbeiten. Unter anderem ist auch die Verkehrsinfrastruktur ein bedeutender Teil des Ganzen Vorhabens. So müssen die Verkehrsinfrastruktur sowie die Kommunikationsinfrastruktur zusammen harmonieren und mit einander kollaborieren. Hierfür könnte Reinforcement Learning eine entscheidende Rolle beim autonomen Fahren übernehmen.
Kundinnen und Kunden meinen
Verfassen Sie die erste Bewertung zu diesem Artikel
Helfen Sie anderen Kund*innen durch Ihre Meinung
Kurze Frage zu unserer Seite
Vielen Dank für Ihr Feedback
Wir nutzen Ihr Feedback, um unsere Produktseiten zu verbessern. Bitte haben Sie Verständnis, dass wir Ihnen keine Rückmeldung geben können. Falls Sie Kontakt mit uns aufnehmen möchten, können Sie sich aber gerne an unseren Kund*innenservice wenden.
zum Kundenservice