Künstliche Intelligenz soll Datenmengen für automatisiertes Fahren komprimieren – Projekt KIsSME

Selektion in der Datenaufnahme

Für die Erprobung und Absicherung hochautomatisierter Fahrzeuge werden große Mengen an Daten benötigt, welche insbesondere die Entstehung von Unfällen und kritischen Situationen abdecken müssen. Ein wichtiger Beitrag wird durch die Aufzeichnung von Verkehrssituationen mit Versuchsfahrzeugen generiert. Allerdings sind die Datenvolumen so groß, dass schnell Kapazitätsgrenzen erreicht werden. Das Hauptziel des vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) geförderten Projekts KIsSME liegt in der Entwicklung von Selektionsalgorithmen, um eine gezielte Aufnahme von relevanten Fahrsituationen noch im Aufnahmefahrzeug zu ermöglichen.

Bewertung der Kritikalität von Fahrsituationen

In enger Zusammenarbeit mit den Projektpartnern hat das EMI ein Bewertungssystem entwickelt, welches die Kritikalität aus den Bewegungsdaten der Fahrzeuge abschätzt. Wichtigster Ausgangspunkt für das System ist eine vordefinierte Auswahl an Metriken, die zunächst durch Skalierungsmethoden zu Einzelkritikalitäten transformiert werden, die schließlich zu einer Gesamtkritikalität kombiniert werden. Das Bewertungssystem kann sowohl zur Identifikation kritischer Situationen in vorhandenen Datensätzen dienen als auch der im Projekt geforderten Auslösung eines Triggers zur Datenspeicherung.

Ein weiterer Fokus des EMI lag auf der Entwicklung einer KI-basierten Trajektorienprädiktion. Anhand des aktuellen Bewegungsmusters eines Fahrzeugs werden mögliche Bewegungspfade für die nächsten drei bis fünf Sekunden vorhergesagt. Diese Vorhersagen lassen die Generierung theoretischer kritischer Szenarien zu und bilden auch eine wichtige Grundlage für die Verbesserung der Kritikalitätsbewertung in Echtzeit in den Versuchsfahrzeugen des Projekts.

Weitere Informationen finden Sie unter www.kissme-projekt.de