Seite - (000505) - in Autonomes Fahren - Technische, rechtliche und gesellschaftliche Aspekte

487Literatur 21. Deng, L., Li, X.: Machine Learning Paradigms for Speech Recognition: An Overview. IEEE Trans. Audio Speech Lang. Process. 21(5), 1060–1089 (2013). doi: 10.1109/TASL.2013.2244083 22. Caelen, O., Bontempi, G., Barvais, L.: Machine learning techniques for decision support in anesthesia. In: Artificial Intelligence in Medicine, pp. 165–169. Springer (2007) 23. Widodo, A., Yang, B.-S.: Support vector machine in machine condition monitoring and fault diagnosis. Mechanical Systems and Signal Processing 21(6), 2560–2574 (2007). doi: 10.1016/j. ymssp.2006.12.007 24. Bainbridge, L.: Ironies of automation. Automatica 19(6), 775–779 (1983). doi: 10.1016/0005- 1098(83)90046-8 25. Otte, C.: SCI 445 – Safe and Interpretable Machine Learning: A Methodological Review. In: Moewes, C., Nürnberger, A. (Hrsg.) Computational intelligence in intelligent data analysis. Studies in computational intelligence, vol. 445. Springer, Berlin, New York (2013) 26. Burgdorf, F.: Eine kunden- und lebenszyklusorientierte Produktfamilienabsicherung für die Automobilindustrie, KIT Scientific Publishing; Karlsruher Institut für Technologie (2010) 27. Taylor, B.J.: Methods and procedures for the verification and validation of artificial neural networks. Springer (2006) 28. Nelles, O.: Lernfähige Fuzzy-basierte Fahrstrategie für automatische Getriebe. In: Isermann, R. (Hrsg.) Modellgestützte Steuerung, Regelung und Diagnose von Verbrennungsmotoren, pp. 233–250. Springer Berlin Heidelberg (2003) 29. Cao, C.T., Kronenberg, K., Poljansek, M.: Adaptive transmission control. Google Patents. http://www.google.com/patents/US5954777 (1999) 30. Dahm, W.: Perspectives on Verification and Validation in Complex Adaptive Systems, Notre Dame University. Workshop on Verification and Validation in Computational Science (2011). Accessed 22 July 2014 31. Tamura, G., Villegas, N., Müller, H., Sousa, J., Becker, B., Karsai, G., Mankovskii, S., Pezzè, M., Schäfer, W., Tahvildari, L., Wong, K.: Towards Practical Runtime Verification and Validation of Self-Adaptive Software Systems. In: Lemos, R. de, Giese, H., Müller, H., Shaw, M. (Hrsg.) Software Engineering for Self-Adaptive Systems II, vol. 7475. Lecture Notes in Computer Science, pp. 108–132. Springer Berlin Heidelberg (2013) 32. Isermann, R.: Fault-diagnosis systems. An introduction from fault detection to fault tolerance. Springer, Berlin, New York (2006) 33. Stokar, R. von: Software-Updates Effiziente Nutzung von Connected Cars. ATZ Elektron 9(1), 46–51 (2014). doi: 10.1365/s35658-014-0387-7 34. Eugen Käfer: Situationsklassifikation und Bewegungsprognose in Verkehrssituationen mit mehreren Fahrzeugen, Universität Bielefeld (2013). Accessed 7 July 2014 35. Eidehall, A., Petersson, L.: Statistical Threat Assessment for General Road Scenes Using Monte Carlo Sampling. Intelligent Transportation Systems, IEEE Transactions on 9(1), 137–147 (2008). doi: 10.1109/TITS.2007.909241 36. Benmimoun, M., Fahrenkrog, F., Zlocki, A., Eckstein, L.: Erkennung und Klassifizierung Kriti- scher Fahrsituationen Mittels Fahrzeugdaten. ATZ Automobiltech Z 114(10), 820–826 (2012). doi: 10.1007/s35148-012-0485-x 37. Guo, F., Klauer, S., Hankey, J., Dingus, T.: Near Crashes as Crash Surrogate for Naturalistic Driving Studies. Transportation Research Record: Journal of the Transportation Research Board 2147(–1), 66–74 (2010). doi: 10.3141/2147-09 38. Ching-Yao Chan (ed.): Defining Safety Performance Measures of Driver-Assistance Systems for Intersection Left-Turn Conflicts. Intelligent Vehicles Symposium, 2006 IEEE. Intelligent Vehi- cles Symposium, 2006 IEEE (2006) 39. Winner, H., Geyer, S., Sefati, M.: Maße für den Sicherheitsgewinn von Fahrerassistenzsystemen. In: Winner, H., Bruder, R. (Hrsg.) Maßstäbe des sicheren Fahrens. 6. Darmstädter Kolloquium Mensch + Fahrzeug. Ergonomia Verlag, Stuttgart (2013)