Machine Learning für Fahrzeuge und deren Entwicklung

Wir wenden Methoden des maschinellen Lernens in der Fahrzeugentwicklung an, um beispielsweise Fahrer- und Bedienermodelle aus entsprechenden Datenquellen abzuleiten.

Datenbasierte Mathematik

Datenanalyse, Systemidentifikation und Maschinelles Lernen

Neben physikbasierten Modellierungstechniken stellt auch die datenbasierte Mathematik einen wichtigen Teil unserer Arbeit in der Abteilung »Dynamik, Lasten und Umgebungsdaten« dar. Wir wenden beispielsweise Methoden der klassischen Datenanalyse auf Nutzungs-, Last- und Bauteildaten an, um das Nutzungs- und Systemverhalten besser zu verstehen und daraus Schlüsse für zukünftige Auslegungs- und Entwicklungsschritte zu ziehen.

Im Fahrzeugbereich werden dabei schon im normalen Fahrbetrieb sehr viele Daten erhoben und aufgezeichnet, darüber hinaus fallen Datenmengen in geplanten Messkampagnen (für Einzelfahrzeuge oder Fahrzeugflotten) an. Zusätzlich liegen oft auch große Datenmengen aus vergangenen Kampagnen vor. Wir entwickeln und verwenden hier Konzepte und moderne Verfahren der Datenanalyse, die insbesondere auch sehr große Datenmengen (»Big Data«) effizient verarbeiten und analysieren.

Ein zweiter wichtiger Arbeitsbereich aus dem Gebiet der datenbasierten Mathematik, beziehungsweise der Künstlichen Intelligenz (KI), sind Methoden der Systemidentifikation und des Maschinellen Lernens (ML). Hier setzen wir sowohl klassische Techniken wie auch moderne Ansätze ein, um Abhängigkeiten, Muster und dynamisches Systemverhalten aus vorhandenen Daten zu lernen und die so trainierten Modelle zu Analyse- und Prädiktionszwecke heranzuziehen.

Dynamische Systeme am Fahrzeug
© Fraunhofer ITWM

Identifikation von dynamischen Systemen am Fahrzeug mit Techniken des Maschinellen Lernens

Besonders im Fokus stehen Anwendungen im Fahrzeugbereich, beispielsweise die datenbasierte Schätzung von dynamischen Systemen von Fahrzeugteilsystemen oder des ganzen Fahrzeugs. Hierzu ziehen wir unter anderem rekurrente neuronale Netze und Gauß’sche Prozesse heran. Die so gelernten Modelle nutzen wir zur Vorhersage, Analyse, Regelung, Monitoring und prädiktiven Wartung.

Außerdem setzen wir Methoden des Maschinellen Lernens ein, um Fahrer- und Bedienermodelle aus entsprechenden Datenquellen abzuleiten. Hier kommen insbesondere auch Techniken des sogenannten »Reinforcement Learnings« zum Einsatz, die wir neben der Anwendung auf Fahrer- und Bedienermodelle auch zur Ableitung von Steuer- und Handlungsmodellen für biomechanische Systeme anwenden.