KISSaF - KI-basierte Situationsinterpretation für das automatisierte Fahren

Abstract

Im Rahmen des KISSaF-Projekts wurden von der Technischen Universität Dortmund die effiziente Umfeldmodellierung, die Prädiktion des Verhaltens von Verkehrsteilnehmern und die gekoppelte Prädiktion und Planung mithilfe von Deep Learning im Kontext des automatisierten Fahrens erforscht. Es wurde ein Umfeldmodell auf Basis von Daten seriennaher Sensoren erstellt, das sich für die Domänen Stadt und Autobahn eignet. Die im Projekt entwickelten Deep Learning Algorithmen wurden unter anderem mit den im Rahmen des Projekts gesammelten Daten trainiert und evaluiert. Es konnte gezeigt werden, dass der Einsatz solcher Deep Learning Algorithmen in ADAS-Fahrfunktionen, wie beispielsweise dem Spurwechselassistenten (LCA), zu Verbesserungen führen kann. Die entwickelte gekoppelte Prädiktion und Planung führen zu einer verbesserten Modellierung der Interaktion zwischen allen Verkehrsteilnehmern. Weiterhin wurden Ansätze des unüberwachten Lernens und des Transferlernens untersucht, welche eine Nutzung von ungelabelten Daten und den Transfer von Wissen zwischen Domänen ermöglichen. As part of the KISSaF project, the Technical University of Dortmund researched efficient environment modeling, prediction of road user behavior, and coupled prediction and planning using deep learning in the context of automated driving. An environment model was created based on data from near-series sensors suitable for the city and highway domains. The deep learning algorithms developed in the project were trained and evaluated using the data collected as part of the project. It was shown that using deep learning algorithms in ADAS driving functions, such as the lane change assistant (LCA), can lead to improvements. The developed coupled prediction and planning led to an improved modeling of the interaction between all road users. Furthermore, unsupervised and transfer learning approaches were investigated, enabling unlabeled data and knowledge transfer between domains.