Schlussbericht zum Verbundvorhaben: Künstliche Intelligenz zur selektiven echtzeitnahen Aufnahme von Szenarien- und Manöverdaten bei der Erprobung von hochautomatisierten Fahrzeugen (KIsSME); Teilvorhaben: Datenbereitstellung und Systemerprobung

Abstract

Zum Nachweis der sicheren Funktion von hochautomatisierten Fahrzeugen werden nach dem aktuellen Stand der Technik fest definierte Szenarienkataloge zum manöverbezogenen Nachweis sowie mehrere Millionen Fahrkilometer umfassende Echtzeit-daten zum statistischen Nachweis herangezogen. Zur Entwicklung neuer Fahrzeuge mit Automatisierungslevel 4-5 ist es unab-dingbar, eine selektive Erfassung relevanter und kritischer Fahrsituationen, signifikanter Umgebungsdaten sowie der Rohdaten der Fahrzeugsensorik schon während des Fahrbetriebs zu erreichen. Diese Daten werden benötigt, um die durch KI getroffenen Entscheidungen validieren, verbessern und reproduzieren zu können, mit dem Ziel somit die notwendige Testabdeckung für zukünftige Funktionalitäten zu erreichen. Im Rahmen des Projektes KIsSME wurden KI-basierte Algorithmen erarbeitet und angewendet, mit deren Hilfe On-Board-Systeme ertüchtigt werden, relevante und kritische Szenarien in Echtzeit zu erkennen und hierfür selektiv Rohdaten sowie Szenarienbeschreibungen zu erfassen. Die KI-basierten Algorithmen ermöglichen eine inhärente Lernfähigkeit, welche das Erkennen von kritischen Situationen und der zugehörigen relevanten Daten stetig verbessern, um für die Entwicklung von automatisierten Systemen der Level 4-5 die Informationsdichte der für die Erprobung genutzten Daten zu steigern und gleichzeitig die hierfür notwendigen Datenvolumen sowie Aufwände zur Sicherstellung des Datenschutzes signifikant zu reduzieren. Im Projekt wurden von den Verbundpartnern insgesamt sieben Demonstratorfahrzeuge eingesetzt. Dabei wurden einerseits die Demonstratorfahrzeuge zur Gewinnung von Testdaten als auch zur Validierung der erarbeiteten KI-basierten Lösungen verwendet. Datei-Upload durch TIB To prove the safe function 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. For the development of new vehicles with automation level 4-5, it is essential to achieve selective recording of relevant and critical driving situations, significant environmental data and raw data from the vehicle sensors while the vehicle is still in operation. This data is required in order to validate, improve and reproduce the decisions made by AI, with the aim of achieving the necessary test coverage for future functionalities. As part of the KIsSME project, AI-based algorithms were developed and applied to enable on-board systems to recognise relevant and critical scenarios in real time and to selectively record raw data and scenario descriptions for this purpose. The AI-based algorithms enable an inherent learning ability that continuously improves the recognition of critical situations and the associated relevant data in order to increase the information density of the data used for testing for the development of automated level 4-5 systems and at the same time significantly reduce the data volumes required for this and the effort required to ensure data protection. A total of seven demonstrator vehicles were used by the partners in the project. The demonstrator vehicles were used both to obtain test data and to validate the AI-based solutions developed.