UR:BAN
Projektsäule "Mensch im Verkehr" - Teilprojekt "Verhaltensprädiktion / Intentionserkennung"
Offizielle Projekthomepage
Partner
insgesamt 18 Partner aus Industrie und Wissenschaft, außerdem:
Professur Arbeitswissenschaft
Professur Nachrichtentechnik
Förderung
BMWi (Bundesministerium für Wirtschaft und Technologie)
Laufzeit
04/2012-03/2016
Beschreibung
Im Projekt MV wird der Nutzer zukünftiger Assistenz- und Informationssysteme bewusst in den Mittelpunkt gestellt. Bei Fahrerassistenzsystemen für den urbanen Bereich steht nicht nur der Komfort, sondern vor allem die Sicherheit im Vordergrund. Durch die gezielte Gestaltung der Fahrer-Fahrzeug-Interaktion für unterschiedliche Fahrer wird eine entspannte, effiziente und sichere Fahrt im urbanen Raum erreicht werden. Dazu bearbeiten Industrieunternehmen und Forschungseinrichtungen gemeinsam konzeptuelle und methodische Fragestellungen. Die Interaktionslösungen beruhen auf Projektarbeiten, die sowohl grundlegende experimentelle Studien als auch innovative technische Lösungen im Bereich der Mensch-Maschine-Interaktion und Verhaltensprädiktion umfassen.
Im Teilprojekt "Verhaltensprädiktion und Intentionserkennung" soll der Frage nachgegangen werden, wie durch Erkennen der Verhaltensabsichten eine nutzergerechte Reaktion des Systems gewonnen werden kann.
| Kontakt | MMag. Matthias Beggiato |
|---|---|
| Mitarbeiter | Dipl. Ing. Philipp Lindner, Dipl. Wirtsch.-Ing. Martin Jentsch |
Publikationen, Vorträge, Poster
Beggiato, M., Pech, T., Leonhardt, V., Lindner, P., Wanielik, G., Bullinger-Hoffmann, A., & Krems, J. F. (2017). Lane Change Prediction: From Driver Characteristics, Maneuver Types and Glance Behavior to a Real-Time Prediction Algorithm. In K. Bengler, S. Hoffmann, D. Manstetten, A. Neukum, & J. Drüke, (Eds.) UR:BAN Human Factors in Traffic. Approaches for Safe, Efficient and Stressfree Urban Traffic. (pp. 205-221). Wiesbaden: Springer Vieweg. doi:10.1007/978-3-658-15418-9_11
Beggiato, M., & Krems, J. F. (2015). Real-time assessment of demanding driving scenarios. In C. Bermeitinger, A. Mojzisch, & W. Greve (Eds.), TeaP 2015 - Abstracts of the 57th Conference of Experimental Psychology (p. 35). Lengerich: Pabst Science Publishers.
Beggiato, M., & Krems, J. F. (2014). Dynamische Aufmerksamkeitsverteilung im Straßenverkehr: Analyse von Blickmustern vor Fahrstreifenwechseln. In O. Güntürkün (Ed.). 49. Kongress der Deutschen Gesellschaft für Psychologie, 21.-25. September 2014 (p. 526). Lengerich: Pabst Science Publishers.
Beggiato, M., Pech, T., & Krems, J. F. (2014). The predictive potential of driver characteristics for lane changes on urban arterial roads. Poster presented at the 5th conference on Applied Human Factors and Ergonomics (AHFE), 19.-23 July 2014, Krakow, Poland.
Beggiato, M., & Krems, J. F. (2013). Sequence analysis of glance patterns to predict lane changes on urban arterial roads. Paper presented at 6. Tagung Fahrerassistenz - Der Weg zum automatischen Fahren, Munich, 28.-29.11.2013. mediatum.ub.tum.de/node?id=1187197
Bocklisch, F., Bocklisch, S.F., Beggiato, M., & Krems, J. F. (2017). Adaptive fuzzy pattern classification for the online detection of driver lane change intention. Neurocomputing. doi:10.1016/j.neucom.2017.02.089
Bocklisch, F., Bocklisch, S., Beggiato, M., & Krems, J. F. (2017). Fuzzy Pattern Classification for the Online Detection of Driver Lane Change Intention. In T. Goschke, A. Bolte, & C. Kirschbaum (Eds.), TeaP 2017 - Abstracts of the 59th Conference of Experimental Psychology (p. 232). Lengerich: Pabst Science Publishers.
Griesbach, K., Beggiato, M., & Hoffmann, K. H. (2021). Lane Change Prediction With an Echo State Network and Recurrent Neural Network in the Urban Area. IEEE Transactions on Intelligent Transportation Systems, doi:10.1109/TITS.2021.3058035
Griesbach, K., Hoffmann, K., & Beggiato, M. (2020). Prediction of lane change by echo state networks. Transportation Research Part C: Emerging Technologies, 121, 102841. doi:10.1016/j.trc.2020.102841
Griesbach K., Hoffmann K.H., & Beggiato M. (2019). Lane Change Prediction Using an Echo State Network. In: W. Karwowski & T. Ahram (Eds.), Intelligent Human Systems Integration 2019. Advances in Intelligent Systems and Computing, Vol. 903 (pp. 69-75). Cham, Switzerland: Springer. doi:10.1007/978-3-030-11051-2_11
