Seite - (000504) - in Autonomes Fahren - Technische, rechtliche und gesellschaftliche Aspekte

Lernen autonome Fahrzeuge?486 Literatur 1. Rasmussen, J.: Skills, Rules, and Knowledge; Signals, Signs, and Symbols, and Other Distinc- tions in Human Performance Models. IEEE Transactions On Systems, Man, and Cybernetics SMC-13(3), 257–266 (1983) 2. Donges, E.: Fahrerverhaltensmodelle. In: Winner, Hakuli, Wolf (Hrsg.) Handbuch Fahrerassis- tenzsysteme, pp. 15–23 (2011) 3. Oswald, W.D.: Automobilismus und die „gefährlichen Alten“. In: G. Schmidt (Hrsg.) Technik und Gesellschaft. Automobil und Automobilismus, vol. 10, pp. 183–195 (1999) 4. Williams, A.F.: Teenage drivers: patterns of risk. Journal of safety research 34(1), 5–15 (2003) 5. Burgard, E.: Fahrkompetenz im Alter: Die Aussagekraft diagnostischer Instrumente bei Senioren und neurologischen Patienten. Dissertation, LMU (2005) 6. Funk, W., Grüninger, M., Dittrich, L., Goßler, J., Hornung, C., Kreßner, I., Libal, I., Limberger, S., Riedel, C., Schaller, S.: Begleitetes Fahren ab 17 – Prozessevaluation des bundesweiten Modellversuchs. Berichte der Bundesanstalt für Straßenwesen. Unterreihe Mensch und Sicher- heit.(213) (2010) 7. Mitchell, T.M.: Machine Learning. McGraw-Hill series in computer science. McGraw-Hill, New York (1997) 8. Breiman, L.: Statistical Modeling: The Two Cultures (with comments and a rejoinder by the author). Statist. Sci., 199–231 (2001) 9. Carbonell, J., Michalski, R., Mitchell, T.: An Overview of Machine Learning. In: Michalski, R., Carbonell, J., Mitchell, T. (Hrsg.) Machine Learning. Symbolic Computation, pp. 3–23. Springer Berlin Heidelberg (1983) 10. Ertel, W.: Grundkurs Künstliche Intelligenz. Eine praxisorientierte Einführung, 3rd edn. Lehrbuch. Springer Fachmedien, Wiesbaden (2013) 11. Sewell, M.: Machine Learning. http://machine-learning.martinsewell.com/ (zuletzt geprüft 15.07.2014) (2009) 12. Sammut, C. (ed.): Encyclopedia of machine learning. 78 tables. springer reference. Springer, New York (2011) 13. Shaoning Pang, Nikola Kasabov: Inductive vs transductive inference, global vs local models: SVM, TSVM, and SVMT for gene expression classification problems – Neural Networks. Proceedings. 2004 IEEE International Joint Conference on (2004) 14. Russell, S., Norvig, P., Intelligence, A.: A modern approach. Artificial Intelligence. Prentice-Hall, Egnlewood Cliffs 25 (1995) 15. March, J.G.: Exploration and exploitation in organizational learning. Organization science 2(1), 71–87 (1991) 16. Nusser, S.: Robust Learning in Safety-Related Domains. Machine Learning Methods for Solving Safety-Related Application Problems, Otto-von-Guericke-Universität Magdeburg (2009) 17. Nusser, S., Otte, C., Hauptmann, W., Leirich, O., Krätschmer, M., Kruse, R.: Maschinelles Lernen von validierbaren Klassifikatoren zur autonomen Steuerung sicherheitsrelevanter Systeme. at-Automatisierungstechnik Methoden und Anwendungen der Steuerungs-, Regelungs- und Informationstechnik 57(3), 138–145 (2009) 18. Pomerleau, D.: Neural Network Vision for Robot Driving. In: Hebert, M., Thorpe, C., Stentz, A. (Hrsg.) Intelligent Unmanned Ground Vehicles, vol. 388. The Springer International Series in Engineering and Computer Science, pp. 53–72. Springer US (1997) 19. Gusikhin, O., Rychtyckyj, N., Filev, D.: Intelligent systems in the automotive industry: applica- tions and trends. Knowl Inf Syst 12(2), 147–168 (2007). doi: 10.1007/s10115-006-0063-1 20. DIN 31000:2011-05: Allgemeine Leitsätze für das sicherheitsgerechte Gestalten von Produkten