Personalisierung ist eine Lösung zur Qualitätsverbesserung von sowohl Produkten als auch Dienstleistungen, indem sich individuelle Bedürfnisse und Anforderungen von Kunden als Input in das System einfließen lassen. Im Kontext von Automobilanwendungen geht es bei der Personalisierung nicht nur darum, wie der Fahrer die Position seines Sitzes oder seiner bevorzugten Radiosender einstellt. Darüber hinaus geht es bei der Personalisierung auch um die Präferenz von Fahrstilen und das individuelle Verhalten bei fast jeder Manöverausführung.

Eine wichtige Herausforderung bei der Personalisierung besteht darin, den Benutzer anhand der durch sein Fahrverhalten bislang erzeugten Daten zu verstehen und damit Profile herzustellen. Die Daten werden normalerweise in Form von Zeitreihen dargestellt. In einigen Fällen können die Zeitreihen besonders lang sein, was das Erfassen und Lernen dieser Daten erschwert. In dieser Dissertation wird eine Herangehensweise vorgestellt, in der rekurrente neuronale Netze benutzt werden, um Zeitreihendaten zu Fahrerverhalten zu erfassen und die Absicht zum Fahrstreifenwechseln vorherzusagen. Im Vergleich zu vorherigen Arbeiten ist diese Herangehensweise nicht nur in der Lage, die Absicht zum Fahrstreifenwechseln eine diskrete Klasse (links, rechts oder geraderaus) zuzuordnen, sondern auch die verbleibende Zeit zu berechnen, bis der Fahrer die Fahrbahnmarkierung überquert. Diese Informationen erlauben Fahrerassistenzsysteme zu entscheiden, wann die Warnung ausgelöst werden soll oder ob das System eingreifen soll.

Zwei weiteren Aspekte, die bei der Entwicklung eines Fahrerassistenzsystem betrachtet werden müssen, sind: Inter- und Intrapersonalisierung. Unter Interpersonalisierung wird der Unterschied zwischen Fahrern verstanden. Im Gegenteil zu Interpersonalisierung bezeichnet Intrapersonalisierung den Unterscheid in den Präferenzen eines einzelnen Fahrers im Laufe der Zeit. Ein Fahrer kann je nach Strecke und dem Zweck der Fahrt verschiedene Fahrstile haben, z.B. Arbeitsfahrt (hektisch) und Stadtrundfahrt (gelassen). Im Rahmen dieser Dissertation werden Inter- und Intrapersonalisierung behandelt. Um die aktuellen Präferenzen des Fahrers frühzeitig vorauszuschauen, berücksichtigt das Modell die Zusammenhänge in Fahrstilen zwischen den konsekutiven durchgeführten Manövern. Die Evaluierung auf neuen Fahrer zeigt, dass die entwickelten Modelle die nicht-personalisierten Ansätze beim Vorhersagen der Fahrerpräferenzen übertreffen.

Bei der Interpersonalisierung wird eine Siamese Architektur mit Long Short-Term Memory Netzen eingesetzt, um Fahrer basierend auf fahrzeugdynamischen Informationen zu identifizieren. Die Modelle werden mit Real-World-Datensätzen evaluiert, die von 32 Probanden aufgenommen wurden. Durch die Evaluierung weisen die Modelle die Fähigkeit auf, neue Fahrer zu identifizieren. Weitere Analysen der trainierten Modelle deutet darauf hin, dass der vorgestellte Ansatz die Verhaltensweisen (wie Annähern einer Kreuzung oder Abbiegen) extrahiert und diese als Grundlage für die Identifizierung des Fahrers verwendet.