Forscher der University of Cambridge und Jaguar Land Rover haben einen anpassungsfähigen Algorithmus entwickelt, um die Verkehrssicherheit zu verbessern, indem er vorhersagt, wann Fahrer sicher mit Fahrzeugsystemen interagieren oder Nachrichten empfangen können. Der Algorithmus misst die Arbeitsbelastung des Fahrers mithilfe von Machine Learning und bayesianischen Filtertechniken und berücksichtigt Faktoren wie Straßenbedingungen, Fahrereigenschaften und Verhalten. Der Algorithmus kann verwendet werden, um Fahrzeugsysteme anzupassen und die Sicherheit zu priorisieren. Die Forscher verwendeten Fahrsignale wie Lenkungs- und Bremsdaten, um den Algorithmus zu entwickeln. Er kann sich an verschiedene Straßentypen, Bedingungen und Fahrer anpassen. Die Forschung wurde in Zusammenarbeit mit JLR durchgeführt und war Teil eines Projekts, das von JLR im Rahmen der CAPE-Vereinbarung mit der University of Cambridge finanziert wurde.

Einführung

Forscher der University of Cambridge und Jaguar Land Rover haben gemeinsam an der Entwicklung eines anpassungsfähigen Algorithmus gearbeitet, um die Verkehrssicherheit zu verbessern. Dieser Algorithmus zielt darauf ab, durch Vorhersage des Zeitpunkts, zu dem Fahrer sicher mit den im Fahrzeug integrierten Systemen interagieren können oder Nachrichten erhalten können, die Sicherheit zu prioritieren und das Unfallrisiko zu reduzieren.

Verständnis der Fahrerbelastung

Die Fahrerbelastung ist ein wichtiger Faktor, der bei der Bewertung der Verkehrssicherheit berücksichtigt werden muss. Der Algorithmus misst die Fahrerbelastung mithilfe von maschinellem Lernen und Bayesianischer Filterung. Indem verschiedene Faktoren wie Straßenverhältnisse, Fahrercharakteristika und -verhalten berücksichtigt werden, liefert der Algorithmus wertvolle Erkenntnisse über das Niveau der Fahrerbelastung.

Maschinelles Lernen und Bayesianische Filterung

Im Algorithmus werden maschinelles Lernen und Bayesianische Filterung eingesetzt, um Daten zu analysieren und zu interpretieren. Diese Techniken beinhalten das Training des Algorithmus mit Fahrleistungssignalen wie Lenkrad- und Bremsdaten, um die Fahrerbelastung genau zu bestimmen. Je mehr Daten gesammelt und analysiert werden, desto präziser wird der Algorithmus und ermöglicht bessere Vorhersagemöglichkeiten.

Faktoren zur Messung der Belastung

Der Algorithmus berücksichtigt mehrere Faktoren bei der Messung der Fahrerbelastung. Zu diesen Faktoren gehören:

  • Straßenbedingungen: Der Algorithmus berücksichtigt die aktuellen Straßenbedingungen wie Verkehrsstaus, Wetterbedingungen und Straßenoberflächenbeschaffenheit.
  • Fahrercharakteristika: Individuelle Fahrercharakteristika wie Erfahrung und Ermüdungslevel werden berücksichtigt, um das Niveau der Fahrerbelastung zu verstehen.
  • Fahrerverhalten: Der Algorithmus analysiert das Fahrerverhalten wie Reaktionszeiten und den allgemeinen Fahrstil, um die Belastungsebene genau zu bewerten.

Anpassung von Fahrzeuginnensystemen

Eine der Hauptanwendungen des anpassungsfähigen Algorithmus besteht darin, Fahrzeuginnensysteme anzupassen, um die Sicherheit zu priorisieren. Indem die Fahrerbelastung verstanden wird, kann der Algorithmus Fahrzeuginnensysteme anpassen, um die richtige Interaktion oder Informationsweitergabe zu jedem gegebenen Zeitpunkt zu gewährleisten.

Verbesserung von Sicherheitsfunktionen

Auf Grundlage der Belastungsmessungen kann der Algorithmus Sicherheitsfunktionen innerhalb der Fahrzeuginnensysteme verbessern. Wenn beispielsweise die Belastung des Fahrers hoch ist, kann der Algorithmus die Anzeige von nicht-kritischen Informationen einschränken oder die Zustellung unwichtiger Benachrichtigungen verzögern, um Ablenkungen zu vermeiden.

Optimierung der Informationsweitergabe

Der Algorithmus kann auch die Informationsweitergabe in Fahrzeuginnensystemen optimieren. Indem er Vorhersagen darüber trifft, wann die Belastung des Fahrers geringer ist, kann der Algorithmus wichtige Nachrichten oder Systemaktualisierungen zustellen, um sicherzustellen, dass sie effektiv empfangen und verarbeitet werden.

Anpassungsfähigkeit an Straßentypen, -bedingungen und Fahrer

Der anpassungsfähige Algorithmus ist darauf ausgelegt, auf verschiedenen Straßentypen, -bedingungen und sogar bei individuellen Fahrern zu funktionieren. Durch seine Flexibilität ist er in der Lage, genaue Belastungsmessungen und maßgeschneiderte Anpassungen unabhängig von der Fahrumgebung vorzunehmen.

Straßentypen und -bedingungen

Der Algorithmus berücksichtigt die spezifischen Eigenschaften verschiedener Straßentypen und -bedingungen. Er kann seine Messungen und Empfehlungen entsprechend anpassen, um sicherzustellen, dass die Belastung des Fahrers unabhängig von den Straßenbedingungen genau bewertet und verwaltet wird.

Individuelle Fahrer

Da verschiedene Fahrer unterschiedliche Eigenschaften und Verhaltensweisen haben, kann der Algorithmus sich an individuelle Fahrer anpassen. Durch Berücksichtigung von Faktoren wie Fahrstil, Erfahrung und Ermüdungslevel bietet der Algorithmus personalisierte Belastungsbewertungen, um sicherzustellen, dass Sicherheitsmaßnahmen den spezifischen Bedürfnissen jedes Fahrers entsprechen.

Fazit

Durch die Entwicklung eines anpassungsfähigen Algorithmus durch die University of Cambridge und Jaguar Land Rover werden bedeutende Fortschritte in Bezug auf die Verkehrssicherheit erzielt. Durch genaue Messung der Fahrerbelastung und Anpassung von Fahrzeuginnensystemen trägt dieser Algorithmus zur Reduzierung von Unfällen und zur Förderung einer sichereren Fahrerfahrung für alle bei.

Quelle

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

You May Also Like

Machine-Learning-Ansatz zur Berechnung von Übergangszuständen in chemischen Reaktionen

Forscher vom MIT haben eine maschinelle Lernmethode entwickelt, um Übergangszustände in chemischen…

Ein potenzieller Wirkstoffkandidat zur Behandlung der Amyotrophen Lateralsklerose (ALS)

Forscher der Universität Helsinki haben einen potenziellen Wirkstoff entdeckt, der zur Behandlung…

Von der Verbrennung angetriebener insektengroßer Roboter: Ein Durchbruch in der Robotik

Forscher der Cornell University haben einen robotischen Insekt entwickelt, der durch Verbrennung…

Die Rolle des Retinsäurerezeptors Alpha (RARα) bei der T-Zell-Aktivierung und Immunantwort

Eine neue Studie, veröffentlicht im Journal Immunity, zeigt, dass der nukleare Rezeptor…