Autonomes Fahren unter widrigen Bedingungen

Das autonome Fahren hat in den letzten Jahren enorme Fortschritte gemacht. Etliche Unternehmen arbeiten zurzeit an der Serienreife. Damit das selbststeuernde Fahrzeug sicher unterwegs ist, müssen Sensoren die Umwelt zuverlässig erfassen. Zum Einsatz kommen Laser-, Radar- und Kamerasysteme. Aus den Daten der Sensoren entsteht ein digitales Modell der Fahrzeugumgebung. Anhand dieses Modells wird das Fahrzeug in einer hochgenauen Karte lokalisiert, jedes statische und dynamische Hindernis extrahiert und darauf basierend die Fahrtroute geplant. Die Routenplanung berücksichtigt auch die prädizierten Bahnen anderer Verkehrsteilnehmer, um Kollisionen zu verhindern.

Noch ist das System nicht zuverlässig: In der Vergangenheit ist es bereits zu Unfällen gekommen, wenn sich die Umgebungsmodelle, die die einzelnen Sensoren erstellen, widersprechen. Außerdem ist eine Fahrt bei widrigen Wetterbedingungen und (Teil-)Sensorausfällen zurzeit nur eingeschränkt möglich, da noch nicht alle Informationen der redundanten Sensoren kombiniert werden.

Was tun bei schlechtem Wetter?

Im BMWi-geförderten Verbundprojekt ifuse erforschen Prof. Dr. Holger Blume und sein Team Datenstrukturen, Algorithmen und Architekturen für eine effiziente Fusion von Sensorrohdaten. Im Vergleich zu bisherigen Fusionsverfahren auf Objektlistenebene ermöglicht die Fusion von Rohdaten eine robustere Objektklassifikation und Umfelderfassung, auch wenn einzelne Sensoren beeinträchtigt sind. Grundlage für die Sensordatenfusion auf Rohdatenebene sind die Signale aktiver und passiver Fahrzeugsensoren, die nach einer minimalen Vorverarbeitung in einem gemeinsamen Koordinatensystem fusioniert werden. Für jeden Sensorwert wird zusätzlich ein Vertrauensmaß berechnet. Des Weiteren wird die Messungenauigkeit jedes Messwertes im inversen Sensormodell explizit modelliert und somit der größtmögliche Informationsgehalt genutzt. Die nachfolgenden KI-basierten Algorithmen erkennen und klassifizieren diejenigen Objekte, die für die Planung der Fahrt notwendig sind. Anhand der Bewegung eines Objektes wird der zukünftige Bewegungspfad geschätzt und der Bahnplanung zur Verfügung gestellt. Am Ende der Projektlaufzeit werden die Forschungsergebnisse in einem Versuchsträger präsentiert, der autonom über eine komplexe Forschungskreuzung in Braunschweig fahren wird.

Forschungsfahrzeug erzeugt Trainingsdaten

Mit Hilfe des eigenen Forschungsfahrzeugs PANDA („PlAtform for the Development of Next-gen Driver Assistance“) werden Datensequenzen erzeugt, um die Algorithmen des maschinellen Lernens zu trainieren und zu validieren. Im Versuchsträger werden zukünftige Hardware-Architekturen emuliert, um eine sichere und echtzeitfähige Verarbeitung großer Datenmengen garantieren zu können.