Publications

Aquaplaning - a potential hazard also for Automated Driving
Bernd Hartmann and Thomas Raste and Matthias Kretschmann and Manuel Amthor and Felix Schneider and Joachim Denzler.
ITS automotive nord e.V. (Hrsg.), Braunschweig. 2018.
[bibtex]

Impatient DNNs - Deep Neural Networks with Dynamic Time Budgets
Manuel Amthor and Erik Rodner and Joachim Denzler.
British Machine Vision Conference (BMVC). 2016.
[bibtex] [pdf]

Road Condition Estimation based on Spatio-Temporal Reflection Models
Manuel Amthor and Bernd Hartmann and Joachim Denzler.
DAGM German Conference on Pattern Recognition (DAGM-GCPR). Pages 3-15. 2015.
[bibtex] [pdf] [abstract]

Fahrbahnzustandserkennung als grundlegender Baustein für das Umfeldmodell
Bernd Hartmann and Manuel Amthor and Waldemar Jarisa.
VDI-Fachkonferenz - Innovative Bremstechnik. 2015.
[bibtex] [abstract]

Abstract: Der Wunsch, den Fahrbahnzustand oder gar den zwischen Reifen und Fahrbahn zur Verfügung stehenden Reibbeiwert vorausschauend, robust und möglichst präzise zu erfassen, ist nicht neu und beschäftigt seit mehreren Jahrzehnten aber spätestens seit dem EUREKA-Prometheus-Projekt (PROgraMme for a European Traffic of Highest Efficiency and Unprecedented Safety, 19861994) die weltweite Automobil- und Zulieferindustrie. Das Haftungspotenzial zwischen Reifen und Fahrbahn bestimmt die physikalischen Grenzen der Fahrdynamik und ist somit ausschlaggebender Faktor für die aktive Sicherheit von Kraftfahrzeugen. Erfreulicherweise haben sich die Rahmenbedingungen zur Entwicklung solcher Systeme in den letzten Jahren stark zum Positiven verändert. Einerseits steigt der Vernetzungsgrad der Fahrzeuge stetig und die Sensorentwicklung macht gerade im Bereich der Umfeldsensorik große Fortschritte. Die Evolution der Fahrdynamik- und Fahrerassistenzsysteme fordert neben einer deutlich steigenden Rechenleistung für Integrationsplattformen immer genauere und teilweise auch redundante Umfeldsensoren bei gleichzeitig größeren Erfassungsbereichen für das Sensor-Setup. Andererseits ergeben sich gerade durch die Fahrerassistenz neue Anwendungsfälle, die schon bei reduzierten Anforderungen funktional einen Mehrwert durch Einbeziehung von Informationen zum Fahrbahnzustand versprechen. Der hier beschriebene Ansatz zielt darauf ab, über die Fusion bereits existierender Fahrzeugsensoren, wie beispielsweise Wetter-, Inertial- und Umfeldsensorik ergänzt um digitale Wetterkarten und Backendinformationen, den Fahrbahnzustand zu bestimmen und daraus eine Reibwertklasse abzuleiten, die nutzbringend für die Adaption von Fahrerassistenzsystemen genutzt werden kann. Wo die Kenntnis des Fahrbahnzustands für manuelles, assistiertes oder teilautomatisiertes Fahren noch einen nützlichen funktionalen Mehrwert verspricht, ist sie für Systeme des Hoch- und Vollautomatisierten Fahrens eine zwingende Voraussetzung.

Robust Pictorial Structures for X-ray Animal Skeleton Tracking
Manuel Amthor and Daniel Haase and Joachim Denzler.
International Conference on Computer Vision Theory and Applications (VISAPP). Pages 351-359. 2014.
[bibtex] [pdf] [abstract]

Fast and Robust Landmark Tracking in X-ray Locomotion Sequences Containing Severe Occlusions
Manuel Amthor and Daniel Haase and Joachim Denzler.
International Workshop on Vision, Modelling, and Visualization (VMV). Pages 15-22. 2012.
[bibtex] [abstract]