Karlsruher Institut für Technologie (KIT) 03. Feb 2021 Von Peter Kellerhoff/KIT

KI selektiert Datenmengen für automatisiertes Fahren

Beim Erproben hochautomatisierter Fahrzeuge fallen enorme Datenmengen an. Diese gilt es zu reduzieren, um Speicherplatz, Strom und Auswertungsaufwand zu sparen.


Foto: panthermedia.net/Andriy Popov

Beim Erproben hochautomatisierter Fahrzeuge fallen große Mengen an Daten an – bis zu 8 TByte pro Fahrzeug und Tag. Diese Datenmengen zu reduzieren, um Speicherplatz, Strom und Auswertungsaufwand zu sparen, zugleich aber die Informationen zu verdichten, um die Fahrzeuge sicherer zu machen – darauf zielt das neue Projekt KIsSME des Karlsruher Instituts für Technologie (KIT). Denn nicht alle Daten haben eine unmittelbare Relevanz für den Fahrbetrieb. Sie gilt es aus dem Datenmeer herauszufiltern.

Datenselektion im Fahrbetrieb

Auf künstlicher Intelligenz (KI) basierende Algorithmen selektieren die Daten im Fahrbetrieb und sortieren sie in Szenarienkataloge ein. Das KIT stellt in dem vom Bundeswirtschaftsministerium geförderten Verbundvorhaben Daten aus Fahrversuchen und Simulationen bereit.

Das hochautomatisierte Fahren verspricht viele Vorteile – mehr Komfort für die Fahrenden, weniger Unfälle, einen flüssigeren und damit umweltfreundlicheren Straßenverkehr. Die zukünftigen Fahrzeuge verfügen über viele verschiedene Sensoren, mit denen sie Informationen über ihren eigenen Status und aus ihrer Umgebung aufnehmen. Anhand dieser Informationen müssen sie in kürzester Zeit verlässliche Fahrentscheidungen treffen.

Viele Millionen Testkilometer

Bei ihrer Erprobung muss jede Fahrzeugvariante Millionen von Kilometern zurücklegen und viele verschiedene Szenarien meistern, die Infrastruktur, Witterung sowie andere Verkehrsteilnehmerinnen und -teilnehmer und deren Verhalten kombinieren. „Dabei fallen riesengroße Datenmengen an – 4 TByte bis 8 TByte pro Fahrzeug und Tag“, berichtet Michael Frey, stellvertretender Institutsleiter am KIT-Institut für Fahrzeugsystemtechnik (Fast). „Diese Datenmengen sind kaum noch zu handhaben.“

Algorithmen für intelligente Datenauswahl

Kataloge von Fahrszenarien zu erstellen und bei der Fahrzeugerprobung neu auftretende Szenarien einzusortieren, das heißt, schon während des Fahrbetriebs nur diejenigen Daten aufzuzeichnen, die tatsächlich einen Mehrwert bringen – das ist der Ansatz des nun gestarteten Verbundvorhabens KIsSME (das Kürzel steht für „Künstliche Intelligenz zur selektiven echtzeitnahen Aufnahme von Szenarien- und Manöverdaten bei der Erprobung von hochautomatisierten Fahrzeugen“). Dazu entwickeln Wissenschaftlerinnen und Wissenschaftler auf KI basierende Algorithmen, die bereits während des Fahrbetriebs die anfallenden Daten selektieren. „KIsSME zielt darauf, den Szenarienkatalog auszubauen und zugleich Datenmengen zu reduzieren“, erklärt Frey, der am Fast unter anderem die Forschungsgruppe „Automatisierung“ leitet. „Dies spart Speicherplatz und Strom und verringert den Aufwand für Auswertung und Datenschutz.“

Real- und Simulationsdaten

Die Forscherinnen und Forscher des KIT stellen für KIsSME Daten aus realen Fahrversuchen sowie aus Simulationen bereit. Dazu laufen Messfahrten im öffentlichen urbanen Verkehr und auf dem Testfeld „Autonomes Fahren Baden-Württemberg“ (TAF BW) in Karlsruhe sowie Closed-Vehicle-in-the-Loop-Simulationen an einem Gesamtfahrzeugprüfstand des KIT. Zudem überprüfen Forscherinnen und Forscher des Fast die im Projekt entwickelten KI-Modelle und KI-Selektoren, indem sie die von den Verbundpartnern erarbeiteten Algorithmen auf die Daten aus Versuchen und Simulationen anwenden. KIsSME bezieht sich auf automatisiertes Fahren der Stufen vier bis fünf (vollautomatisiert bis autonom).

Stellenangebote

HTW Berlin

Stiftungsprofessur (W2) Fachgebiet Industrielle Sensorik und Predictive Maintenance 4.0

Berlin
Duale Hochschule Baden-Württemberg Mosbach

Lehrbeauftragter (m/w/d)

Mosbach
Duale Hochschule Baden-Württemberg Mosbach

Professur für Mechatronik (m/w/d)

Mosbach
THD - Technische Hochschule Deggendorf

Professur (W2) Network Communication

Cham
THD - Technische Hochschule Deggendorf

Professur (W2) Technologien und Prozesse in der Additiven Fertigung

Cham
THD - Technische Hochschule Deggendorf

Professur (W2) Energieinformatik

Deggendorf
Technische Hochschule Nürnberg Georg Simon Ohm

Professur (W2) Produktionstechnik - Produktionssysteme

Nürnberg
Technische Hochschule Deggendorf

Professor (d/m/w) Network Communication

Deggendorf
Technische Hochschule Deggendorf

Professor (d/m/w) Technologien und Prozesse in der Additiven Fertigung

Deggendorf
Hochschule München

W2-Professur für Mathematische Methoden und Grundlagen (m/w/d)

München
Zur Jobbörse

Das könnte Sie auch interessieren

Top 10 aus der Kategorie Automobil