Automotive Anforderungen für maschinelles Lernen
![Druckversion Druckversion](/sites/all/modules/print/icons/print_icon.gif)
![Per E-Mail senden Per E-Mail senden](/sites/all/modules/print/icons/mail_icon.gif)
![PDF-Version PDF-Version](/sites/all/modules/print/icons/pdf_icon.gif)
Dirk Ziegenbein, Robert Bosch GmbH
Über den Vortrag:
Technologien des maschinellen Lernens wie neuronale Netze bieten ein großes Potenzial für automatisierte Fahrfunktionen in einem „Open World“-Kontext. Funktionen, die auf diesen Technologien basieren, können jedoch nur dann für die Serienproduktion freigegeben werden, wenn sie nachweislich ausreichend sicher sind. Daher müssen überzeugende Argumente für die Sicherheit von automatisierten Fahrzeugen gefunden werden.
Dieser Vortrag gibt einen Überblick über die verschiedenen Formen, in denen maschinelles Lernen auf das automatisierte Fahren angewendet werden kann, und die daraus resultierenden Herausforderungen für den Nachweis der funktionalen Sicherheit. Ansätze zur systematischen Strukturierung des Sicherheitsnachweises sowie zur Spezifikation und Verifikation und eine Reihe offener Forschungsfragen werden vorgestellt.
Curriculum Vitae
Dirk Ziegenbein ist Chief Expert für das Engineering von Cyber-Physical Systems in der Konzernforschung der Robert Bosch GmbH. Darüber hinaus leitet er ein Team von 20 Experten, die Software- und Systems-Engineering-Methoden für Cyber-Physical Systems in den Bereichen Automotive, Robotik und IoT erforschen und entwickeln.
Dirk Ziegenbein hat an der TU Braunschweig über Modellierung und Designautomatisierung von eingebetteten Systemen promoviert. Im Jahr 2002 wechselte er zu Bosch und arbeitete unter anderem an Themen wie Softwarekomponententechnologie und Scheduling-Analyse. Von 2007 bis 2012 war er bei der ETAS GmbH für das Produktmanagement von Embedded Software Engineering Tools verantwortlich.