Wir verwenden Cookies um Ihnen bestmöglichen Service zu bieten. Indem Sie diese Seite nutzen, erklären Sie sich mit der Verwendung von Cookies einverstanden.

Objektklassifizierung mithilfe von Machine Learning Ansätzen

Ziele/Ideen

Forschungsarbeit aus? Wozu sollen Antworten gefunden werden?}
Um das Gefahrenpotential von Objekten entlang den Gleisen abschätzen zu können ist eine Identifikation erforderlich. Zur Erkennung werden unterschiedliche Sensoren verwendet welche mögliche Attribute des Objekts ableiten und zu einem Datenpaket fusioniert. Da eine Klassierung nur schwer in Programmierbare Regeln dargestellt werden kann, wird dies über einen Machine Learning Ansatz versucht. Da es keine vergleichbaren Trainingsdatensätze gibt, wurde ein kleiner Datensatz selbst angefertigt. Es soll nun festgestellt werden ob mithilfe diesem Trainingsdatensatz ein Klassierung über Support Vektor Machine möglich ist und wie zuverlässig diese ist. Wenn möglich sollen auch Ergebnisse mithilfe eines Decision Tree verfahren gefunden und anschließend verglichen werden.

Kurzbeschreibung

Tesla hat durch seine Ankündigung das bald jedes Model mit einem Autopiloten verfügbar ist das Thema Autonomes fahren mehr denn je in die Zeitungen und Medien gebracht. Auch Zugsysteme werden mehr und mehr Automatisiert. Da sich Züge verglichen zu Autos mit hohen Massen fortbewegen entsteht ein dementsprechend langer Bremsweg. Dies macht eine frühe Objekterkennung und Klassifizierung unabdinglich. Verschiedene Sensoren erkennen unterschiedliche Attribute dieser Objekte und werden zu einem Datenpaket fusioniert. Über Machine Leraning Ansätze wird nun versucht diese zu Klassifizieren.

Resultate

Zurzeit gibt es noch keine realen Trainingsdaten, weshalb selbst ein Datensatz konstruiert wurde. Diese Enthalten rein zufällige Objekte welche in definierten Grenzen erzeugt wurden. Die ersten Versuche zeigen das mit diesen generierten Daten auch 100% der generierten Testdaten erkannt werden können. Da es sich jedoch um generierte Daten ohne Fehler handelt ist eine Praxistauglichkeit noch nicht nachgewiesen. Auch das abspeichern und laden des trainierten Moduls muss noch implementiert werden.

Einreicher

Herr Ing. Andreas Wirth Kappeling 9 4070 Eferdign +436641320838 Andreas.Wirth@students.fh-wels.at

Partner

Siemens AG Österreich

AIT, Austrian Institute of Technology

Stern&Hafferl