Reconstruction
Crash Tests
Experts
Research
Database
Congresses
Main AuthorDr. Andreas MOSER
Co-AuthorsDr. Hermann STEFFAN
Type of Mediapdf-document
Publication Typelecture
Publication Year2019
Publisher28 EVU Conference, Barcelona

Die Forschung in den Bereichen automatisiertes Fahren und Fahrerassistenzsysteme hat zur Entwicklung von hocheffizienten Algorithmen in den Bereichen Bildverarbeitung und Datenanalyse geführt. Viele dieser Algorithmen basieren auf Algorithmen und Verfahren der Künstlichen Intelligenz (KI). Durch die Verfügbarkeit großer Datenbanken wie Fahrzeugdatenbanken, Verkehrsbildern aufgeteilt in unterschiedliche semantische Bereiche, Crashtest Datenbanken und Fahrzeugdeformationsdatenbanken, die ursprünglich für andere Anwendungen erstellt wurden, erlaubt es Lernalgorithmen auf diese anzuwenden und verschiedene wissensbasierte Algorithmen abzuleiten, die auch für die Unfallrekonstruktion verwendet werden können. In diesem Artikel werden die Grundprinzipien von Neuronalen Netzen und die zugrundeliegenden Lernverfahren sowie die Anwendung für die Unfallrekonstruktion gezeigt. Im zweiten Teil werden Beispiele für faltende neuronale Netzwerke (CNNs) gezeigt, die in der semantischen Segmentierung von Bildern und Punktwolken, der Bilderverarbeitung (Auflösungsverbesserung), Videoauswertung, Fahrzeugerkennung und EES-Bestimmung Verwendung finden. Algorithmen der künstlichen Intelligenz sind extrem leistungsfähig wenn Referenzdatensätze für die Lernphase verfügbar sind, eine geschlossene Formulierung eines Algorithmus zur Lösung des Problems nur sehr schwer oder gar nicht gefunden werden kann.

(EVU-Mitglieder können den ganzen Beitrag herunterladen)

The recent developments in automated driving and driver assistant systems have driven the development of highly sophisticated algorithms for image recognition and data analysis. Many of these algorithms are based on algorithms and design of artificial intelligence (AI). The availability of large databases like vehicle databases, road scenes split into different semantic areas, crash test databases and damage databases originally collected for different targets, make it possible to apply learning algorithms on them and derive different knowledge-based algorithms use-ful for accident reconstruction. This paper presents how these approaches can be used in applications for accident reconstruction. This paper presents the basic principles of neural networks and how self-learning is achieved in these systems in the first part. In the second part practical examples of convolutional neural networks (CNNs) are presented, which are used for semantic segmentation of images and point clouds, image processing (de-blur and superresolution), video analysis, vehicle identification and damage estimation (EES-estimation). Algorithms of artificial intelligence are extremely powerful in situations, where reference datasets are available for the learning phase, but closed formulations of algorithms are very difficult to find doing the job.

(EVU-members can download the full article)