Verbundprojekt: KIsSME - Künstliche Intelligenz zur selektiven echtzeitnahen Aufnahme von Szenarien- und Manöverdaten bei der Erprobung von hochautomatisierten Fahrzeugen; Teilvorhaben: Entwicklung KI-basiertes Verfahren zur Erkennung relevanter Szenarien

Abstract

Zum Nachweis der sicheren Funktion von hochautomatisierten Fahrzeugen werden nach aktuellem Stand der Technik fest definierte Szenarienkataloge zum manöverbezogenen Nachweis, sowie mehrere Millionen Fahrkilometer an Echtzeitdaten zum statistischen Nachweis herangezogen. Die Daten werden benötigt, um die durch KI getroffenen Entscheidungen validieren, verbessern und reproduzieren zu können, mit dem Ziel die notwendige Testabdeckung für zukünftige Funktionalitäten zu erreichen. Zur Entwicklung neuer Fahrzeuge mit Automatisierungslevel 4-5 ist es unabdingbar, den Aufwand zum Einfahren der Daten und dem Erstellen der Szenarienkataloge zu reduzieren. Das Projekt KIsSME hat eine Verarbeitungspipeline entwickelt, die es OnBoard-Systemen ermöglicht, relevante Szenarien in Echtzeit zu erkennen, selektiv Rohdaten aufzunehmen, zu verarbeiten, und die verarbeiteten Daten an eine automatisierte OffBoard-Aufbereitung für Szenarienkataloge weiterzuleiten. Die Pipeline automatisiert einen Großteil der Arbeitsschritte zum Erstellen der benötigten Datensätze, und reduziert gleichzeitig das Datenvolumen signifikant. Im Teilvorhaben von LiangDao, wurden KI-basierte, echtzeitfähige Algorithmen zur Objekt- und Szenarienerkennung entwickelt. Zum Teilvorhaben gehörten ebenfalls die nötigen (Vor)arbeiten, wie der Aufbau eines Versuchsfahrzeugs und eines Datenzentrums, das Einfahren von Daten für Training, Test und Validierung der Algorithmen, das Abklären datenschutzrechtlicher Fragen und die Einbettung in die Verarbeitungspipeline des Gesamtvorhabens. Der vorliegende Schlussbericht dokumentiert die Arbeiten und erreichten Ziele. Das KIsSME-Konzept wurde über Veröffentlichungen mit einem Fachpublikum geteilt. Das entwickelte Verfahren ist so der Allgemeinheit zugänglich und kann die Erstellung der benötigten Szenarienkataloge signifikant beschleunigen, bei gleichzeitiger drastischer Reduzierung der Ressourcen.