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.

Datei-Upload durch TIB

To prove the safe functioning of highly automated vehicles, the current state of the art uses firmly defined scenario catalogues for manoeuvre-related proof as well as several million kilometres of real-time data for statistical proof. The data is required to validate, improve and reproduce the decisions made by AI, with the aim of achieving the necessary test coverage for future functionalities. For the development of new vehicles with automation level 4-5, it is essential to reduce the effort required to collect the data and create the scenario catalogues. The KIsSME project has developed a processing pipeline that enables on-board systems to detect relevant scenarios in real time, selectively record and process raw data, and forward the processed data to an automated off-board preparation for scenario catalogues. The pipeline automates a large part of the steps for creating the required data sets and at the same time significantly reduces the volume of data. In LiangDao's sub-project, AI-based, real-time-capable algorithms for object and scenario recognition were developed. The sub-project also included the necessary (preliminary) work, such as the construction of a test vehicle and a data centre, the collection of data for training, testing and validation of the algorithms, the clarification of data protection issues and the embedding in the processing pipeline of the overall project. This final report documents the work carried out and the goals achieved. The KIsSME concept was shared with a professional audience via publications. The developed procedure is thus accessible to the general public and can significantly accelerate the creation of the required scenario catalogues, while at the same time drastically reducing the needed resources.