HAIBrid - Hybrid AI towards large scale data and behavior modeling for automated driving

Abstract

Das Verbundvorhaben HAIBrid – Hybride KI zur Daten- und Verhaltensmodellierung in großem Maßstab für automatisiertes Fahren verknüpft die Expertise von fünf Partnern aus Forschung und Industrie, um datengetriebene Grundlagen für kooperatives, menschenähnliches Fahrverhalten automatisierter Fahrzeuge zu schaffen. Unter der deutschen Koordination des Karlsruher Instituts für Technologie (KIT) und der französischen Leitung des Center for Robotics an MINES ParisTech (Armines) entwickelt das Konsortium Methoden, mit denen großvolumige Kamera- und LiDAR-Aufnahmen in präzise Trajektoriensätze, semantisch reichhaltige 3D-Karten und belastbare Interaktionsmodelle überführt werden können. Valeo bringt dabei sein Know-how in der kamerabasierten Umfelderfassung ein, während das Karlsruher Start-up SafeAD auf die Automatisierung der HD-Kartierung fokussiert. Übergeordnetes Ziel des gemeinsamen deutsch-französischen Projekts ist es, die bislang aufwendig manuelle Datengrundlage für Bewegungsvorhersage und Entscheidungsalgorithmen durch hybride KI-Verfahren weitgehend selbsttätig zu erzeugen und als offene Ressourcen für Forschung und Industrie bereitzustellen. Innerhalb dieses Verbundes verantwortet das FZI die robuste Datenakquisition in Karlsruhe, die präzise Fusion und Aufbereitung der Rohdaten zu vollattribuierten Trajektorien sowie die halbautomatische Erstellung einer hochaufgelösten Lanelet2-Referenzkarte. Diese Arbeiten bilden das Rückgrat von WP1, in dessen Rahmen das FZI eng mit dem KIT als Sensorfahrzeug-betreiber kooperiert; die erzeugten Datenstrukturen werden in WP2 sowohl in die unüberwachten Lernverfahren von Armines als auch in die Validierung der Machine-Learning-Methoden für das kamerabasierte HD-Mapping von SafeAD eingespeist. Die verifizierten Trajektorien und Karten fungieren darüber hinaus als Ground-Truth für die vom KIT geleitete WP3-Verhaltensmodellierung, auf deren Basis Detektions- und Vorhersagemodelle evaluiert werden . Damit stellt das FZI einen konsistenten, qualitativ hochwertigen Daten- und Kartenkern bereit, ohne den die nachgelagerten KI-Module des Konsortiums weder effizient trainiert noch belastbar bewertet werden.