Deep Learning und autonome Fahrzeuge: Strategische Themen, Anwendungen und Forschungsagenda unter Verwendung von SciMAT und inhaltszentrierter Analyse, eine systematische Übersichtsarbeit

Anwendungen von Deep Learning (DL) in Projekten autonomer Fahrzeuge (AV) haben sowohl bei Forschern als auch bei Unternehmen zunehmend Interesse geweckt. Dies hat in den letzten Jahren zu einer raschen Ausweitung der wissenschaftlichen Produktion zu DL-AV geführt und Forscher ermutigt, systematische Literaturübersichten (SLRs) durchzuführen, um Wissen zu diesem Thema zu organisieren. Eine kritische Analyse der bestehenden SLRs zu DL-AV zeigt jedoch einige methodologische Lücken, insbesondere hinsichtlich der Nutzung von bibliometrischer Software, die leistungsstarke Werkzeuge zur Analyse großer Datenmengen sind und ein ganzheitliches Verständnis der Wissensstruktur eines bestimmten Bereichs bieten. Diese Studie zielt darauf ab, die strategischen Themen und Trends in der DL-AV-Forschung mithilfe des Science Mapping Analysis Tools (SciMAT) und Inhaltsanalysen zu identifizieren. Strategische Diagramme und Cluster-Netzwerke wurden mit SciMAT entwickelt, was die Identifizierung von Motor-Themen und Forschungsgelegenheiten ermöglichte. Die Inhaltsanalyse erlaubte die Kategorisierung der Beiträge der akademischen Literatur zu DL-Anwendungen im Design von AV-Projekten; neuronalen Netzwerken und KI-Modellen, die in AVs verwendet werden; sowie transdisziplinären Themen in der DL-AV-Forschung, einschließlich Energie, Gesetzgebung, Ethik und Cybersicherheit. Potenzielle Forschungsansätze werden für jede dieser Kategorien diskutiert. Die in dieser Studie präsentierten Ergebnisse können sowohl erfahrenen Wissenschaftlern, die Zugang zu komprimierten Informationen über die Literatur zu DL-AV erhalten können, als auch neuen Forschern, die an Themen im Zusammenhang mit technologischer Entwicklung und anderen sozialen sowie umweltbezogenen Fragestellungen interessiert sein könnten, zugutekommen.