Datenkomplettlösung setzt neue Impulse
Eine fundierte und umfassende Datenbank ist entscheidend für den erfolgreichen Einsatz von KI-basierten Funktionen in Fahrzeugen. Neben möglichst vielen Szenarien müssen auch verschiedene Sensor-Modalitäten enthalten sein. Bisher gab es jedoch nur isolierte Lösungen für die Daten einzelner Sensortypen oder eine nur sehr begrenzte Anzahl. Im Forschungsprojekt KI Data Tooling wurden erstmals Werkzeuge und Methoden für die Bereitstellung von Daten aus verschiedenen Sensor-Modalitäten für KI-basierte Funktionen ganzheitlich untersucht.
Das Projekt konzentrierte sich hauptsächlich auf die effiziente Entwicklung der Datenbank und verfolgte von Anfang an ein vollständiges Datenset für das Training und die Validierung von KI-basierten automatisierten Fahrfunktionen. Dafür wurden realistische, synthetische und erweiterte Daten aus verschiedenen Sensor-Modalitäten generiert. Und es wurden auch Methoden für die Analyse, Qualitätsbewertung sowie die effiziente, ressourcenschonende Speicherung und Übertragung dieser Daten erarbeitet. Abschließend wurde auf dieser Grundlage eine optimierte KI-Trainingsstrategie entwickelt.
Autonome Fahrzeuge sicher auf die Straße bringen mit maschinellem Lernen
In den letzten drei Jahren arbeiteten Wissenschaftler*innen des Machine Learning-Kompetenzbereichs als assoziierter Partner gemeinsam mit der BMW Group an verschiedenen Herausforderungen im Projekt. Dabei konzentrierten sich die fortiss Kollegen Tianming Qiu, Carlos Valle und Stephan Rappensperger auf datengetriebene Methoden wie Deep Learning-Techniken, die für ein umfassendes End-to-End-Training von KI-Funktionen im autonomen Fahren verwendet werden.
In diesem Zusammenhang ist die Qualität der Daten ein besonders wichtiges Anliegen. Nur mit einer solchen Datenbasis ist es möglich, KI-Funktionen erfolgreich zu trainieren und zu validieren. Die Bereitstellung von Daten ist jedoch mit zahlreichen Herausforderungen verbunden. Sie umfassen verschiedene Facetten, die das fortiss Team untersucht hat. Dazu zählen die effiziente Kennzeichnung von Daten insbesondere auch mit kontextbezogenen Informationen, die Integration von synthetischen Daten sowie der Umgang mit unbekannten oder seltenen Szenarien (Corner Cases, Long-Tail Szenarien).
Die vorliegenden wissenschaftlichen Beiträge, die im Team des Kompetenzfeldleiters Dr. Hao Shen entstanden sind, wurden in die umfassende Data-Tooling-Pipeline des Projektkonsortiums integriert. Dort werden sie zukünftigen Forschungs- und Entwicklungsaktivitäten in der deutschen Automobilindustrie erheblich zugutekommen.
Bei der hochkarätig besetzten Abschlussveranstaltung stellten die fortiss Wissenschaftler*innen ihre Ergebnisse umfassend vor. Der Event bot darüber hinaus die Möglichkeit für fachliche Deep Dives und vertiefende Gespräche unter Expert*innen, um zukünftige Forschungsfelder zu diskutieren.
