In den folgenden Abschnitten dieser Arbeit sollen die Themen rund um Reinforcement Learning und ein Praxisbeispiel mit Hilfe von Reinforcement Learning dargestellt werden. Das Praxisbeispiel bezieht sich auf ein simuliertes Verkehrssystem, welches mit Hilfe von Reinforcement Learning selbstständig lernt, ob und wann ein Fahrzeug eigenständig überholen soll.
„Wir stehen am Vorabend einer weiteren mobilen Revolution. In Zukunft werden autonome Fahrzeuge aktiv am Straßenverkehr teilnehmen.“ (Maurer et al., 2015)
Durch die ansteigende Anzahl der Teilnehmer am Straßenverkehr wird es immer voller und enger auf den Straßen Deutschlands. Typischer Wochenbeginn – alle auf dem Weg zur Arbeit - PKWs, LKWs, Busse und an sonnigen Tagen, die Motorradfahrer. An Teilnehmern am Straßenverkehr fehlt es keines Wegs. Bei dichtem Verkehr steigt dadurch des Risikos eines Unfalls oder eines Staus. Mit autonom fahrenden Fahrzeugen wird sich in naher Zukunft einiges ändern – voraussichtlich auch zum Vorteil aller Autofahrer, wie beispielsweise das Erledigen von Aufgaben oder das Vorbereiten auf ein Kundengespräch während der Fahrt. Dem Autofahrer werden Schritt für Schritt mehr und mehr Aufgaben beim Autofahren abgenommen. Aber auch negative Folgeerscheinungen können entstehen. Beispielsweise die Abhängigkeit der Technik und das Vertrauen in das System. Um das autonome Fahren ermöglichen zu können, benötigten die Fahrzeuge viele notwendige Daten. Diese werden beispielsweise von Sensoren, Kameras oder auch Positionierungssystemen geliefert und in Echtzeit mittels Prozessoren und Kommunikationsschnittstellen anderer Fahrzeuge verarbeiten. Unter anderem ist auch die Verkehrsinfrastruktur ein bedeutender Teil des Ganzen Vorhabens. So müssen die Verkehrsinfrastruktur sowie die Kommunikationsinfrastruktur zusammen harmonieren und mit einander kollaborieren. Hierfür könnte Reinforcement Learning eine entscheidende Rolle beim autonomen Fahren übernehmen.
Inhaltsverzeichnis
- Abkürzungs-, Abbildungs- und Tabellenverzeichnis
- Einleitung
- Problemstellung
- Zielsetzung
- Vorgehensweise
- Reinforcement Learning
- Grundlagen
- Beispiele
- Algorithmen
- Praxisbeispiel
- Abgrenzung
- Beschreibung
- Implementierung
- Ergebnis
- Schlussbetrachtung
- Literaturverzeichnis
Zielsetzung und Themenschwerpunkte
Diese Arbeit befasst sich mit dem Einsatz von Reinforcement Learning im Kontext des autonomen Fahrens. Ziel ist es, die Funktionsweise des Reinforcement Learning zu erklären und anhand eines Praxisbeispiels zu demonstrieren, wie diese Technologie dazu beitragen kann, die Herausforderungen des autonomen Fahrens in einer simulierten Verkehrsumgebung zu bewältigen.
- Grundlagen des Reinforcement Learning
- Beispiele für Reinforcement Learning-Anwendungen
- Implementierung eines Reinforcement Learning-Algorithmus zur Steuerung eines Fahrzeugs in einer simulierten Verkehrsumgebung
- Bewertung der Ergebnisse und Analyse der Herausforderungen des autonomen Fahrens
- Ethische und gesellschaftliche Auswirkungen des autonomen Fahrens
Zusammenfassung der Kapitel
- Einleitung: Diese Einleitung führt in die Thematik des autonomen Fahrens ein und erläutert die Herausforderungen, die mit dem Einsatz autonomer Fahrzeuge im Straßenverkehr verbunden sind. Die Bedeutung von Reinforcement Learning als ein zentrales Werkzeug für die Entwicklung und Steuerung autonomer Fahrzeuge wird hervorgehoben.
- Reinforcement Learning: Dieses Kapitel liefert eine umfassende Einführung in die Theorie des Reinforcement Learning. Es werden die Grundprinzipien, verschiedene Algorithmen und Beispiele für erfolgreiche Anwendungen im Bereich des maschinellen Lernens vorgestellt.
- Praxisbeispiel: In diesem Kapitel wird ein konkretes Praxisbeispiel präsentiert, in dem Reinforcement Learning zur Steuerung eines Fahrzeugs in einer simulierten Verkehrsumgebung eingesetzt wird. Der Fokus liegt auf der Implementierung des Algorithmus, der Beschreibung der simulierten Umgebung und der Analyse der erzielten Ergebnisse.
Schlüsselwörter
Autonomes Fahren, Reinforcement Learning, Deep Learning, Künstliche Intelligenz, Verkehrssicherheit, Simulation, Algorithmus, Entscheidungsfindung, Ethische Aspekte, Datensicherheit.
- Citar trabajo
- Andreas Schurr (Autor), Reinhold Ackermann (Autor), 2019, Deep Traffic Reinforcement Learning. Steuern eines Fahrzeugs durch eine simulierte Straßenumgebung mit dichtem Verkehr, Múnich, GRIN Verlag, https://www.grin.com/document/514309
