KI Data Tooling - Methoden und Werkzeuge für das Generieren und Veredeln von Trainings-, Validierungs- und Absicherungsdaten für KI-Funktionen autonomer Fahrzeuge

Abstract

Die Verwendung von Algorithmen, welche Methoden der künstlichen Intelligenz einsetzen, wird aktuell als einer der Schlüsselfaktoren gesehen, um automatisierte Fahrfunktionen effizient umzusetzen. Trainings-, Validierungs- und vor allem Testdaten sind für die Entwicklung und die Absicherung von solchen KI-Systemen im automobilen Umfeld essentiell. Da KI-Systeme umfassend trainiert und validiert werden müssen, kann das Vorliegen einer geeigneten Datenbasis erheblich dazu beitragen, Entwicklungszyklen zu verkürzen. KI Data Tooling adressiert diese Notwendigkeit erstmals systematisch und umfassend. Hierbei funktioniert KI Data Tooling als ein Baustein der KI Projektfamilie innerhalb der VDA Leitinitiative autonomes und vernetztes Fahren (VDA-LI). Im Rahmen der VDA-LI wurden offene Fragestellungen bei der Umsetzung automatisierter Fahrfunktionen identifiziert und in Projekte und Projektfamilien gruppiert. Als Teil der KI Projektfamilie, welche Fragestellungen rund um den Einsatz von künstlicher Intelligenz für automatisierte Fahrfunktionen bearbeitet, wird KI Data Tooling im engen Austausch mit den anderen Projekten stehen, um Anforderungen, erhobene Daten und entwickelte Methoden auszutauschen. KI Data Tooling entwickelt Methoden und Tools, die eine Beschreibung, Verarbeitung, Selektion, Generierung, Komprimierung und Bereitstellung oder Übertragung von Daten, wie beispielsweise Einzelbildern oder Sequenzen von unterschiedlichen Kamera-, Radar- oder Lidar-Sensoreindrücken von relevanten Szenarien, ermöglichen. Ziel ist es, eine Datenbasis für das Training, die Validierung sowie für Test und Absicherung von KI-Systemen herzustellen. Dabei werden Lösungen erzeugt, die es ermöglichen, effizient und systematisch Daten unterschiedlicher Güte, unterschiedlichen Ursprungs (synthetisch erzeugt oder auf Basis von Realdaten), unterschiedlicher Sensorsetups oder -technologien zu nutzen und weiter zu verwerten. Um die Methoden und Tools zu verifizieren, werden sie am Beispiel des Use Cases Fußgängererkennung verwendet und optimiert. Dieser Use Case ermöglicht die direkte Beurteilung der Methoden und Tools anhand konkreter Anforderungen an die entstehenden Daten und er ist zentral für den erfolgreichen Einsatz automatisierter Fahrfunktionen. Darüber hinaus profitiert das Training von Fußgängererkennungsalgorithmen von der Einbeziehung synthetischer Daten, da diese erlauben, auch gefährliche Grenzsituationen systematisch abzubilden. Schließlich ermöglicht der Use Case den engen Austausch mit dem Schwesterprojekt KI Absicherung der KI Projektfamilie, welches exemplarisch den gleichen Use Case betrachtet. Für die Datengenerierung existieren unterschiedliche Ansätze, die in diesem Vorhaben erstmals umfassend und gemeinsam betrachtet und gegenübergestellt werden, um ihre Nutzung für das Training von KI-Methoden in der Praxis zu untersuchen: Verwendung aufbereiteter Realdaten, synthetisch generierte Daten sowie hybride Ansätze, welche Realdaten synthetisch augmentieren. Durch die integrierte Betrachtung von Realdaten und synthetischen Daten sowie der Nutzung von Effizienzpotentialen bei deren Kombination wird in diesem Vorhaben erstmals eine „Daten-Factory“ als Komplettlösung für das Training und die Validierung von KI-basierten automatisierten Fahrfunktionen erzeugt.