Die vorliegende Arbeit behandelt und entwickelt neue Aspekte maschinellen Lernens, die letztendlich zur Entwicklung eines neuartigen Systems zur Wahrnehmung und Einschätzung von Fußgängern für das autonome Fahren im urbanen Raum beitragen. Nachdem in Kapitel 1 die Problemstellung näher erläutert wird, gibt Kapitel 2 eine kurze Einführung in die wichtigsten Grundlagen des Machine Learning. In Kapitel 3 wird eine Studie über die Robustheit verschiedener Pool-Based Active Learning-Ansätze vorgestellt und eine neue Abfrage-Methode präsentiert, sowie Schlüsse für die praktische Anwendbarkeit dieser Verfahren in einem industriellen Umfeld gezogen. Die Suche nach der besten Architektur eines Convolutional Neural Network ist Gegenstand von Kapitel 4, in dem ein heuristisches Verfahren zur schnellen und zuverlässigen Bewertung solcher Konfigurationen vorgestellt und mit einem Ansatz der globalen Optimierung verbunden wird. Kapitel 5 umfasst die Beschreibung eines neuen Systems zur echtzeitfähigen panoptischen Segmentierung von Lidar-Punktwolken, welches einen Ansatz zum Clustering mit einer effizienten Klassifizierung kombiniert. Nachdem in Kapitel 6 weitere Aspekte zur Extraktion der Merkmale von Fußgängern beleuchtet werden, beschreibt Kapitel 7 schließlich ein System für deren Lokalisierung und Bewegungs-Prädiktion. Ein abschließendes Fazit und ein Ausblick auf mögliche Erweiterungen erfolgen in Kapitel 8.

This thesis addresses and develops several new aspects of machine learning which ultimately contribute to the development of a novel pedestrian perception system for autonomous driving in urban environments. After explaining the problem in more detail in chapter 1, chapter 2 gives a brief introduction to the main principles of machine learning. Chapter 3 presents a study on the robustness of different pool-based active learning approaches and presents a new query method, as well as drawing conclusions for the practical applicability of these methods in an industrial setting. The search for the best architecture of a convolutional neural network is the subject of chapter 4, in which a heuristic for the fast and reliable evaluation of such configurations is presented and combined with global optimisation. Chapter 5 includes the description of a new system for real-time panoptic segmentation of lidar point clouds, which combines a clustering approach with efficient classification. After highlighting further aspects of pedestrian feature extraction in chapter 6, chapter 7 finally describes a system for their localisation and motion prediction. A final conclusion and an outlook on possible extensions are given in chapter 8.