Künstliche Intelligenz (KI) gilt als erfolgsversprechende Methode, um die Komplexität autonomer Mobilität, bedingt durch die unendliche Variantenvielfalt und durch die zugrunde liegenden nichtlinearen Zusammenhänge, beherrschbar zu machen. Maschinelle Lernverfahren bieten die Möglichkeit, komplexe nichtlineare Zusammenhänge in Daten zu erfassen und Algorithmen zu entwickeln, die herkömmlichen modellbasierten Ansätzen überlegen sind. Allerdings weisen KI-Methoden zwei große Herausforderungen auf. Zum einen ist der Einsatz solcher Verfahren limitiert durch die zur Verfügung stehenden Datenmengen. Zum anderen stellt die nicht vorhandene Interpretierbarkeit, gerade in Bezug auf Sicherheitssysteme, ein großes Problem dar. Genau hier setzt das SAFIR IP8 mit seinen hybriden Modellen und dem Domänenwissen der THI und der Industriepartner an. Unzureichende Datenmenge können durch Vorverarbeitungsschritte, die auf Expertenwissen basieren, teilweise kompensiert werden. Ebenso sollen maschinelle Lernverfahren in hybriden Modellen mit Expertenwissen ergänzt werden, um die Interpretierbarkeit zu ermöglichen, bzw. um die Outputs der maschinellen Verfahren zu validieren. Gerade diese Kombination von Expertenwissen und KI wird von den Industriepartnern als sehr erfolgsversprechende Methodik gesehen.
Impulsprojekt 8: Hybride Modelle und KI-Methoden für Sichere Mobilität (HyMne) – Datengenerierung und Datenqualität
Neben Simulationen sind reale Fahrversuche für das Testen von Systemen, die einen autonomen Eingriff in die Längs- oder Querdynamik eines Fahrzeugs bewirken, unabdingbar. Aufgrund der hohen Kosten von Realversuchen ist es notwendig, wenige aber dafür „relevante“ funktionsspezifische Testszenarien zu identifizieren, reproduzierbar im Fahrzeug zu realisieren und anschließend zu bewerten. Für die Identifikation und Analyse der „relevanten“ Testszenarien können Simulationen genutzt werden, aber auch Daten von Verkehrsszenarien, die bei Fahrten auf öffentlichen Straßen aufgezeichnet werden. In der Intensivierungsphase sollen Brücken zwischen der Simulations- und der realen Welt im Absicherungsprozess unter Zuhilfenahme von KI-Methoden geschaffen werden. Die Vorteile von KI-Methoden sollen dabei gezielt zum Einsatz kommen.
Im Teilprojekt I wird an einer hochgenauen Zustandsschätzung unter Abwesenheit von GPS-Signalen oder anderen externen Sensoren bei Realversuchen geforscht. Es wird untersucht, inwieweit sich On-Board Sensoren der Fahrzeuge für eine Sensorfusion mit dem Inertialkreiselsystem des Projektpartners eignen. In den Teilprojekten II und III werden Realdaten verwendet, um an einer adaptiven Fahrermodellierung sowie an der Generierung von urbanen Verkehrsszenarien mittels KI-Methoden zu forschen. Weiterführende Details können Sie auf den Seiten der Teilprojekte entnehmen:
- TP I: Hochgenaue Zustandsschätzung und Datengenerierung
- TP II: Fahrermodellierung für die Funktionsentwicklung und -validierung
- TP III: Erprobungssystematik für automatisiertes Fahren
Ansprechpartner
Prof. Dr.-Ing. Michael Botsch
Tel.: +49 841 9348-2721
Raum: K209
E-Mail: Michael.Botsch@thi.de
Peter Riegl, M.Eng.
Tel.: +49 841 9348-3353
Raum: U102
E-Mail: Peter.Riegl@carissma.eu
Förderkennzeichen
13FH7I08IA
Fördermittelgeber und Programm
