2,055 research outputs found
Tractatio Iuris Publici De Serenissimis Potentissimisque Ducibus Brunsvicensibus Et Luneburgensibus / D.O.M.A. Praeside ... Dn. Joh. Ulrico Pregizero ... In Illustri Collegio Ad Diem 10. Decembr. Placido Eruditorum Examini sistit Author Christian Ulrich Blum
No full textTRACTATIO IURIS PUBLICI DE SERENISSIMIS POTENTISSIMISQUE DUCIBUS BRUNSVICENSIBUS ET LUNEBURGENSIBUS / D.O.M.A. PRAESIDE ... DN. JOH. ULRICO PREGIZERO ... IN ILLUSTRI COLLEGIO AD DIEM 10. DECEMBR. PLACIDO ERUDITORUM EXAMINI SISTIT AUTHOR CHRISTIAN ULRICH BLUM
Tractatio Iuris Publici De Serenissimis Potentissimisque Ducibus Brunsvicensibus Et Luneburgensibus / D.O.M.A. Praeside ... Dn. Joh. Ulrico Pregizero ... In Illustri Collegio Ad Diem 10. Decembr. Placido Eruditorum Examini sistit Author Christian Ulrich Blum (1)
Titelblatt (1)
Prooemium. (3)
Caput I. (5)
Caput II. (9)
Caput III. (12)
Caput IV. (22)
Caput V. (29)
Caput VI. (47)
I. - V. (54
Supplementary movies of the dynamic rupture and tsunami models published in Ulrich et al. (2019)
No full text<p>Supplementary movies of the dynamic rupture and tsunami models published in Ulrich et al. (2019)</p>
<p>movie_Sulawesi_SR-cp.mov: Absolute slip rate (m/s) across the fault network during the earthquake. Author: Thomas Ulrich</p>
<p>movie_Sulawesi_wavefield-cp.mov: Absolute slip rate (m/s) and wavefield (absolute particle velocity in m/s) across the fault network during the earthquake. Author: Thomas Ulrich</p>
<p>SulawesiTanioka.mp4: Sea surface height (m) predicted by the tsunami scenario. Author: Stefan Vater</p>
<p>reference: Ulrich, T., Vater, S., Madden, E. H., Behrens, J., van Dinther, Y., van Zelst, I., Fielding, E. J., Liang, C. & Gabriel, A. A. (2019). Coupled, Physics-based Modeling Reveals Earthquake Displacements are Critical to the 2018 Palu, Sulawesi Tsunami. doi: 10.31223/osf.io/3bwqa.</p>
Prospektive Approximation der Unfallschwere für Integrale Fahrzeugsicherheitssysteme
No full textZukünftige Fahrzeugsicherheitssysteme ermöglichen es, die Zahl der Toten im Straßenverkehr
weiter zu reduzieren. Dazu analysieren die Fahrzeuge ihr Umfeld und prädizieren nicht vermeidbare
Unfälle, um Airbags bereits wenige Millisekunden vor der Kollision auszulösen. Zu diesem
Zweck benötigen die Fahrzeuge robuste Schätzverfahren der zu erwartenden Unfallschwere, da
andernfalls Fehlauslösungen auftreten. Neben künstlicher Intelligenz stehen dafür physikalische
Verfahren wie Masse-Feder-Dämpfer-Modelle zur Verfügung. Ziel dieser Arbeit ist es zu eruieren,
inwiefern eine universelle Approximation der Unfallschwere und eine Airbagentscheidung mit
diesen Modellen möglich ist, wo deren Schwachstellen liegen und ob Auslösezeitpunkte ableitbar
sind.
Zur Untersuchung dieser Punkte wurden Masse-Feder-Dämpfer-Modelle aufgesetzt, die das
kinematische Fahrzeugverhalten während des Unfalls nachbildeten. Hierfür wurden die Modellparameter
Steifigkeit, Masse und Dämpfung abhängig vom Einschlagort am Fahrzeug, der
Überdeckung und dem Winkel zwischen den Unfallbeteiligen sowie deren Geschwindigkeiten,
definiert. Auf diese Weise ließen sich die Differentialgleichungen des Modells frei parametrieren,
wodurch Verzögerung, Geschwindigkeitsabbau und Deformation für frontale und seitliche Unfälle
berechnet werden konnten. Anschließend entschieden aus den Verläufen ableitbare Unfallschwereparameter
über eine Airbag-Auslösung. Des Weiteren war aus dem Fahrzeugverhalten sowie
der Insassenbewegung zu Beginn der Kollision der optimale Zündzeitpunkt ableitbar. Dabei
wurde die maximale Dauer der Freiflugphase bestimmt und mittels der Aufblasdauer des Airbags
auf den Zündzeitpunkt zurückgerechnet.
Zur Verifikation der neuen Methodiken dienten FEM-Simulationen, die frontale und seitliche
Szenarien mit großen und kleinen Überdeckungen sowie Winkeln bei sowohl hohen als auch niedrigen
Kollisionsgeschwindigkeiten abdeckten. Der Vergleich der Masse-Feder-Dämpfer-Modelle
mit diesen offenbarte sehr gute Annäherungen vor allem bei den beschleunigungsbasierten
Unfallschwereschätzungen in Frontszenarien, ergänzt durch ausgezeichnete Deformationsapproximationen
bei seitlichen Einschlägen. Infolgedessen wurde nahezu jede Airbagentscheidung
richtig getroffen. Selbiges galt für die Auslösezeitpunkte, bei denen nur Abweichungen von
wenigen Millisekunden auftraten. Festzuhalten war jedoch, dass bei steigenden Winkeln und
Überdeckungen durch Abgleiteffekte zwischen den Fahrzeugen die Genauigkeit der Schwereschätzung
sank. Infolgedessen variierten die geschätzten Auslösezeitpunkte stärker.
Die Forschungen zeigten, dass die gestellten Fragen positiv beantwortet werden konnten. Universell
parametrierbare Masse-Feder-Dämpfer-Modelle erlauben eine Schätzung der Unfallschwere
in unterschiedlichen Situationen sowie eine Approximation möglicher Zündzeitpunkte des Airbags.
Somit bieten diese eine robuste Option zur Approximation der Unfallschwere kommender
Pre-Crash-Systeme.Future vehicle safety systems will further reduce the number of road fatalities. To achieve
this goal, the vehicles analyze their environment and predict unavoidable accidents in order
to trigger airbags just a few milliseconds before the collision occurs. This requires robust
estimation methods of the expected crash severity, as otherwise false triggers will take place.
In addition to artificial intelligence, physical methods, in particular mass-spring-damper models,
are suitable for this task. The objective of the dissertation is to investigate whether a universal
approximation of the crash severity and an airbag decision is achievable using these models,
where their weak points are and if deployment times can be derived.
To examine these points, mass-spring-damper models were set up to simulate the kinematic
vehicle behavior during the crash. The model parameters stiffness, mass and damping were
defined depending on the impact location on the vehicle, the overlap and the angle between the
crash participants as well as their respective velocities. In this way, the differential equation of
the model could be freely parameterized, allowing deceleration, velocity decay and deformation
to be calculated for frontal and lateral accidents. Subsequently, crash severity parameters
derived from the curves determine whether or not an airbag is deployed. Furthermore, the
optimum time of activation may be calculated from the vehicle behavior and the occupant
movement at the beginning of the collision. The maximum duration of the free-flight phase
war determined and calculated back to the activation time based on the inflation time of the
airbag.
FEM simulations covering frontal and lateral scenarios with large and small overlaps as well
as angles at both high and low collision velocities were used to verify the new methodologies.
However, by comparing the mass-spring-damper model with them, very good approximations
were revealed, especially for the acceleration-based crash severity parameters in frontal scenarios,
complemented by excellent deformation approximations in lateral impacts. As a result, almost
every airbag decision was made correctly. The same applied to the deployment times, where
deviations of only a few milliseconds appeared. Nevertheless, it should also be noted that
the accuracy of the severity estimate decreased with rising angles and overlaps due to sliding
effects between the vehicles. As a result, the estimated deployment times varied more.
The research has shown that the questions can be positively answered. Universally configurable
mass-spring-damper models allow to estimate the crash severity in different situations as well
as to approximate possible deployment times of the airbag. Thus, they offer a robust option
for the approximation of the crash severity for future pre-crash systems
Prediction based activation of vehicle safety systems : a contribution to improve occupant safety by validation of pre-crash information and crash severity plus restraint strategy prediction
No full textThe world of transportation is rapidly changing with the introduction of partial autonomy in vehicles and the race between the manufacturers to produce a fully automated passenger vehicle. In addition, to enhance driving comfort and reduce the driving workload, these automated vehicles are also visualized as an approach to reduce the majority of accidents that are caused by human errors. However, accidents do happen and there are also some likelihoods that these automated vehicles might fail. Especially in the initial introductory years, which highlights the need for passive safety systems in safeguarding the occupants. These vehicles typically employ forward-looking sensors for the perception of the surrounding environment, which presents an opportunity to use the information from these sensors to predict an upcoming inevitable crash and further estimate the passive safety action required for the predicted crash in the pre-crash phase. This work presents an approach to activate the vehicle safety systems based on the precrash prediction. Contents 1 Introduction 1 1.
On passivity-based trajectory tracking for robotic manipulators combining PD+ and Slotine-Li control
No full textIn this paper, a tracking controller for robots is analyzed, which allows both the specification of the convergence rate of the tracking errors and the parameterization of a desired contact stiffness and damping. It is shown that the control approach can be interpreted as a generalization of the well-known PD+ and Slotine-Li controllers, combining the benefits of both approaches. Although mentioned in the literature before, no thorough theoretical and practical analysis of the aforementioned passivity-based control concept has been performed so far. In this work, the implications of the gains are discussed \wrt convergence and interaction properties, addressing possible tuning strategies. Finally, the performance of the controller is evaluated in terms of tracking and interaction experiments on a KUKA LWR IV+
Formale Modellierung des Entscheidungssystems für einen autonomen Hubschrauber
No full textDiese Arbeit stellt einen Beschreibungs- und Implementierungsansatz für das Entscheidungssystem eines unbemannten Hubschraubers vor. Ein solches Entscheidungssystem dient als maschineller Pilot, mit dessen Hilfe die Arbeitslast zur Bedienung verringert und mögliche Fehlersituationen vermieden werden können. Eine wesentliche Anforderung an das System besteht im Nachweis der korrekten Funktion von definierten Abläufen. In dieser Arbeit wird hierzu die Modellierung und Implementierung mithilfe von Petrinetzen erörtert. Dabei stehen vor allem die Praxistauglichkeit der Petrinetz-Modellierung bezüglich Werkzeugunterstützung sowie die technische Integrationsmöglichkeit in das fliegende System im Vordergrund. Im Ergebnis wurde ein Petri-Netzmodell des Systems erstellt, welche sich durch das Werkzeug Netlab in ein Matlab Simulink Simulation integriert und mithilfe von Realtime Workshop-basierter Code-Generierung in das fliegende System integrieren lässt
Beobachterentwurf für ein Einzelradfahrwerk eines neuartigen Schienenfahrzeugs
No full textIm Projekt "Next Generation Train" (NGT) bündelt das Deutsche Zentrum für Luft- und Raumfahrt (DLR) seine Schienenfahrzeugforschung. Der NGT ist ein Konzept für einen energieeffizienten Ultrahochgeschwindigkeitszug mit Einzelrad-Einzelfahrwerken. Diese erfordern eine Regelung der Lateraldynamik, um eine Spurführung mit reduziertem Verschleiß zu ermöglichen. Auf offener Strecke ist die direkte Messung der Querverschiebung schwer zu realisieren. Dieser Beitrag zeigt auf, mit welcher Sensorkonfiguration es möglich ist, die laterale Position durch einen nichtlinearen Beobachter schätzen zu können. Auf Grundlage der nichtlinearen Bewegungsgleichung und ausgewählter Sensorkonfigurationen wird die Bobachtbarkeit analysiert. Abschließend werden ein Extended und ein Unscented Kalman-Filter für die drei Sensorkonfiguration auf einem Echtzeitsystem implementiert und validiert
Kommunikation in der Automation
No full textDie industrielle Kommunikation hat ihre Wurzeln in Deutschland und ist seit mehr als 20 Jahren das Rückgrat jedes dezentralen Automatisierungssystems. Durch den vermehrten Einsatz von Informationstechnologien ergeben sich neue Möglichkeiten in rasanter Geschwindigkeit, gleichzeitig auch stets zu lösende Herausforderungen. Die beiden Forschungsinstitute ifak e.V. in Magdeburg und inIT der Hochschule Ostwestfalen-Lippe in Lemgo widmen diesem wichtigen Fachgebiet das Jahreskolloquium "Kommunikation in der Automation (KommA)", welches ab 2010 jährlich stattfindet. Die Veranstaltungsreihe, die alternierend in Lemgo und Magdeburg stattfindet, weist einen jeweils aktuellen fachlichen Fokus und eine entsprechende Detailtiefe auf. Hierzu sind grundlagen- und anwendungsorientierte Beiträge herzlich willkommen. Angenommene Beiträge werden in einem Tagungsband mit ISBN veröffentlicht
Driver affect recognition from real-world speech data in in-vehicle driving environments
No full textIn der heutigen Zeit der zunehmenden Autonomie im Straßenverkehr, gewinnen Systeme
zur Erkennung des Fahrerzustandes immer mehr an Bedeutung. Über die
Anaylse des Lenkverhaltens und des Blickverhaltens des Fahrers können einige Zustände
bereits zum Stand der Technik in der Automobilindustrie gezählt werden.
Der tatsächliche intrinsische Zustand des Fahrers, der z.B. durch Feedbacksignale
aus Sprache, Mimik oder Gestik wiedergegeben werden kann, wird momentan noch
vollständig außer Acht gelassen.
Ziel dieser Arbeit ist es, diese Forschungslücke weiter zu schließen, indem die Emotionalität
des Fahrers anhand seiner Sprache erkannt und systemseitig berücksichtigt
werden kann. Um dieses Ziel zu erreichen, muss die vollständige Prozesskette von
der Datenerhebung, über die Datenvoranalyse und ggf. die Durchführung digitaler
Signalverarbeitungs-Schritte, bis hin zur Datenklassifizierung und schlussendlich
der Bewertung der erhaltenen Ergebnisse im Vergleich zu anderen Forschungsergebnissen
aus diesem Bereich, berücksichtigt werden. Die Gesamtheit jedes einzelnen
Prozessschrittes muss hierzu dem Leser nähergebracht werden. Dies begründet auch
den Umfang der vorliegenden Arbeit.
Zu Beginn der Arbeit werden dem Leser folgende drei Forschungshypothesen vorgestellt,
die im Laufe der Arbeit wiederholt aufgegriffen werden:
1. Hypothese: Es ist möglich dem Fahrer während der Fahrt naturalistische Emotionen
zu induzieren.
2. Hypothese: Es ist möglich Störungen des Sprachsignales zu kompensieren.
3. Hypothese: Falls Hypothese 1 und 2 bestätigt werden, ist es möglich automatisch
den emotionalen Zustand des Fahrers anhand prosodischer Sprachmerkmale
zu erkennen.
Durch die sehr geringe Datenlage in diesem Forschungsgebiet wurden zwei Datenaufnahmen
durchgeführt (simuliert und real). Anhand erster simulierter emotionaler
Sprachdaten im Fahrzeug konnten erste Erkenntnisse über die Beschaffenheit der
Daten und das Potential zur Erkennung des emotionalen Zustandes, erlangt werden.
Anhand einer weiteren Datenaufnahme, induzierter Emotionen unter realen Fahrbedingungen,
konnten Detailinformationen zur Erkennung von vier Fahrerzuständen
ermittelt werden (neutral, positiv, verärgert und ängstlich). Die aufgenommenen Daten
wurden, anhand der Selbsteinschätzung des Fahrers (unter Verwendung des Geneva
Emotional Wheel und den Self-Assessment Manikins) und einer Auswertung
ihrer bio-physiologischen Daten, auf ihre emotionalen Inhalte und ihre Verwendbarkeit
validiert. Da realitätsnahe verrauschte Sprachdaten sehr zeitaufwändig in ihrer Generierung
sind und zu Beginn der Arbeit noch nicht vorlagen, wurden erste Untersuchungen
anhand komprimierter Sprachdaten durchgeführt. Anhand dieser Daten wurde
der Effekt digitaler Signalverarbeitungs-Algorithmen auf das Sprachsignal, die
Sprach- und Signalqualität und die Erkennung der Emotionen analysiert. Es konnte
festgestellt werden, dass die angewendeten Audio-Codecs je nach ihrem designierten
Einsatzgebiet unterschiedliche Einflüsse auf die Sprach- und Signalqualität
und die Erkennungsleistung der Emotionen haben. Vor allem Codecs, die für die
Komprimierung von Musik entwickelt wurden, haben einen geringeren Einfluss auf
die Emotionserkennung als Codecs, die für die Telekommunikation entwickelt wurden.
Im Fall der Anwendung von Musik-Codecs konnte sogar eine Verbesserung
der Erkennungsleistung im Vergleich zu unkomprimierten Sprachdaten erzielt werden.
Ähnliche Untersuchungen wurden anhand der simulierten emotionalen Sprache
im Fahrzeug durchgeführt, indem die im Original unverrauschten Sprachdaten mit
ihren künstlich verrauschten Versionen verglichen wurden. Diese Untersuchung zeigte,
dass die Natürlichkeit der Emotionen in der Sprache und die Natürlichkeit der
Datenaufnahmen selbst, den Effekt der Fahrgeräusche auf die Signalqualität beeinflusst.
Des Weiteren konnte ein eindeutiger Rückgang der Erkennungsleistung im
Zusammenhang mit der Abnahme der Signalqualität erkannt werden.
Zur weiteren Nutzung der Datenaufnahmen im realen Fahrzeugumfeld wurde eine
Annotation der Daten durchgeführt. Dies beinhaltete eine dimensionale und kategoriale
Bewertung, die in sich eine hohe Übereinstimmung aufwiesen. Die Ergebnisse
zeigen, dass die Emotionen des Fahrers auch in seiner Sprache widergespiegelt wurden
und somit als Datenbasis für die automatische Erkennung natürlicher Emotionen
im Fahrzeugumfeld genutzt werden können.
Aus der (automatischen) Sprachverarbeitung ist bekannt, dass die Anwendung von
Sprachverbesserungs-Verfahren (engl. speech enhancement) zu einer bemerkenswerten
Erhöhung der Erkennungsraten und des Sprachverständnisses führen kann. Um
zu untersuchen, ob dieser Effekt auch einen Einfluss auf die Erkennungsrate der
Emotionen hat, wurden Untersuchungen zur Anwendbarkeit dieser Algorithmen auf
verrauschter emotionaler Sprache durchgeführt. Es konnte festgestellt werden, dass
die Anwendung dieser Verfahren zu einer starken Manipulation des Merkmalsraums
führt, die im Vergleich zu verrauschter Sprache jedoch keine Verbesserung der Erkennungsleistung
mit sich bringt. Um die Manipulation des Merkmalsraum nicht
als zusätzlichen Freiheitsgrad in die Prozesskette mit einfließen zu lassen, wird die
Anwendung eines solchen Verfahrens nicht empfohlen.
Unter Berücksichtigung der vorangegangenen Ergebnisse wurden schlussendlich zwei
unterschiedliche Klassifikationsverfahren angewandt (Support Vector Machines und
Random Forests), um die Emotion des Fahrers anhand realer Fahrzeugdaten zu
erkennen. Die Klassifizierer wurden dazu in einem leave one speaker out Kreuzvalidierungsverfahren trainiert, optimiert und getestet. Die Optimierung erfolgte
dabei durch die Anwendung eines random search-Verfahrens zur Hyper-Parameter-
Optimierung, einer wrapper basierten Feature Auswahl und einer gezielten Reduzierung/
Auswahl der verwendeten Sprachdaten aus dem Datensatz. Unter Berücksichtigung
all dieser Aspekte, konnte als bester Klassifizierer ein Random Forest
entworfen werden, der dazu in der Lage ist, den emotionalen Zustand des Fahrers,
im vorliegenden 4-Klassenproblem, mit einer precision von über 52% und einem
recall von über 35% zu erkennen.With an increase of autonomy in vehicles, also the importance of driver state detection
systems is becoming more relevant. By analyzing the driver’s steering behaviour
and her/ his gaze direction, the modern automotive industry is able to detect a limited
number of driver states (e.g. tiredness or attention). The true intrinsic state
of the driver, which is, for example, communicated through feedback signals in her/
his speech, facial expressions or gestures, is still being neglected.
The goal of this Thesis is to close this research gap by considering the driver’s speech
data to detect her/ his emotional state. This does not only include the design of
a classifier, but the whole process chain of performing a suitable data collection,
pre-processing of said data, implementation of relevant signal processing steps (e.g.
speech enhancement) and finally also validating the designed classifier. This broad
field of research also reasons the size of the Thesis.
At the beginning of the Thesis the following three research hypotheses are introduced
to the reader and will accompany her/ him throughout the Thesis:
1. Hypothesis: It is possible to induce naturalistic emotions in the driver, while
driving in a real vehicle.
2. Hypothesis: It is possible to compensate effects of speech distortion.
3. Hypothesis: Under the assumption that hypotheses 1 and 2 apply, it is possible
to automatically detect the emotional state of the driver by only considering
the speech signal of the driver and its prosodic features.
Because of the relatively low amount of freely available emotional speech data in
in-vehicle environments, two data collections focusing on this noise environment (simulated
and real-world) were performed. The simulated data was used to receive
first insights on the noisy speech characteristics and its potential to be used to detect
the driver’s emotional state. A second real-world data collection was performed
afterwards, and used to gain detailed information on the four most relevant emotional
states occurring while driving (neutral, positive, angry and anxious). By using
the drivers’ self-reports (obtained by utilizing the Geneva Emotional Wheel and the
Self-Assessment Manikins) and the recordings of their bio-physiological parameters,
it was possible to validate the emotion inducement method and the usability of the
collected real-world data.
The just mentioned data collections are highly time consuming to conduct and were
not available at the start of the Thesis. Therefore, the first investigation presented
in this Thesis, was performed on compressed speech data. This degraded data was
used to analyze the effects signal-processing can have on the speech signal itself, the signal quality and the ability to correctly classify the emotional state of a speaker.
It was identified that, especially for speech emotion recognition, codecs developed
for music compression are more suitable than codecs developed for speech compression.
In some cases it was even possible to increase the recognition performance by
applying music compression algorithms, compared to the recognition performance
on uncompressed speech. Similar investigations on noisy speech were performed on
the simulated in-vehicle speech data. By comparing the original emotional speech
samples with their degraded noisy counter parts, it was possible to identify that
the naturalness of the original speech samples plays a decisive role on the effect invehicle
noises have on the signal quality. Furthermore, with decreasing signal quality
also the recognition performance of the classifier decreased.
To verify the usability of the real-world driving data, a further annotation of the
speech samples considering their emotional content was needed. This annotation
was done utilizing a dimensional (valence vs. arousal) and a categorial (4 considered
emotional states) labeling approach. In this process both approaches showed a high
consistency in their results. These results show that the emotional state of the driver
is also mirrored in the speech signal and that the recorded data is suitable for
automatic speech emotion recognition in a real-world driving environment.
In case of noisy speech data and (automatic) speech recognition, it is known that
by applying speech enhancement algorithms, significant increases in recognition rate
and speech understanding can be achieved. To identify if these effects also occur in
case of speech emotion recognition, suitable speech enhancement algorithms were
applied to the simulated in-vehicle data. It was identified that by applying this
method of signal processing steps to the noisy speech samples, the features used for
the speech emotion recognition task were altered significantly but the recognition
performance was not improved. To prevent this additional factor from influencing
the emotion recognition task, it was decided to not apply speech enhancement in
the further scope of the Thesis.
Finally, by considering and utilizing the above findings, two classification approaches
(Support Vector Machines and Random Forest) were used to identify the driver’s
emotional state in a real-world driving scenario. By utilizing a leave one speaker
out cross-validation scheme the classifiers were trained, optimized and tested. The
optimization step included a hyper-parameter optimization using random search, a
wrapper based feature selection and an adjusted of the data set, by reducing the
data set to a tailored selection of speech samples. With regard to this approach,
as best performing classifier for the present four class classification task, a random
forest with a precision of over 52% and a recall of over 35% was designed
- …
