Durch die immer weiter wachsenden Mengen sowohl von neuen Messdaten wie auch von archivierten Datenbeständen besteht das große Interesse, Messungen automatisch auswerten zu können und Modelle daraus abzuleiten. In diesem Vortrag zeigen wir die automatische Klassifizierung von Fahrzeugdaten, die aus verschiedenen Fahrmanövern resultieren, mit dem Ziel die Übersteuerung eines Fahrzeugs vorhersagen zu können.
In diesem Projekt soll ein Vergleich zwischen einer klassischen Implementierung und dem Machine Learning Ansatz hergestellt werden. Bis dato wurden im klassischen Sinne gewisse Schwellen definiert, welche beim Überschreiten dieser Schwelle ein Übersteuern signalisieren sollen. Zum Teil gibt es auch geschwindigkeitsabhängige Schwellen, die durch langjährige Erfahrung bestimmt wurden.
Es stellte sich also auch konkret die Frage, wie gut und wie schnell Messungen mit Machine Learning Verfahren gekennzeichnet werden können. Mit Fokus auf die konkrete Fahrsituation des Übersteuerns wurde ein Modell auf der Basis eines Klassifikationsalgorithmus der Statistics and Machine Learning Toolbox™ trainiert. Für die zum Trainieren verwendeten Datensätze liegt die Vorhersagegenauigkeit des Modells bei über 95%. Im nächsten Schritt wird dieses Modell dann auf neue Datensätze angewandt. Die ersten Auswertungen zeigen vielversprechende Ergebnisse.
Durch den von MathWorks empfohlenen Workflow konnten wir bereits nach drei bis vier Wochen die ersten Modelle generieren, welche eine Trefferquote von über 90% erreichten.
