Die Forschung in den Bereichen automatisiertes Fahren und Fahrerassistenzsysteme hat zur Entwicklung von hocheffizienten Algorithmen in den Bereichen Bildverarbeitung und Datenanalyse geführt. Viele dieser Algorithmen basieren auf Algorithmen und Verfahren der Künstlichen Intelligenz (KI). Durch die Verfügbarkeit großer Datenbanken wie Fahrzeugdatenbanken, Verkehrsbildern aufgeteilt in unterschiedliche semantische Bereiche, Crashtest Datenbanken und Fahrzeugdeformationsdatenbanken, die ursprünglich für andere Anwendungen erstellt wurden, erlaubt es Lernalgorithmen auf diese anzuwenden und verschiedene wissensbasierte Algorithmen abzuleiten, die auch für die Unfallrekonstruktion verwendet werden können. In diesem Artikel werden die Grundprinzipien von Neuronalen Netzen und die zugrundeliegenden Lernverfahren sowie die Anwendung für die Unfallrekonstruktion gezeigt. Im zweiten Teil werden Beispiele für faltende neuronale Netzwerke (CNNs) gezeigt, die in der semantischen Segmentierung von Bildern und Punktwolken, der Bilderverarbeitung (Auflösungsverbesserung), Videoauswertung, Fahrzeugerkennung und EES-Bestimmung Verwendung finden. Algorithmen der künstlichen Intelligenz sind extrem leistungsfähig wenn Referenzdatensätze für die Lernphase verfügbar sind, eine geschlossene Formulierung eines Algorithmus zur Lösung des Problems nur sehr schwer oder gar nicht gefunden werden kann.

(EVU-Mitglieder können den ganzen Beitrag herunterladen)