Fallstudie KI Data Tooling
fortiss und seine Partner entwickelten in einem bundesweiten Automobilkonsortium zentrale Komponenten für zuverlässiges, KI-basiertes autonomes Fahren. Der Beitrag des Instituts konzentrierte sich auf fortschrittliche Datenverarbeitung, die Integration synthetischer Daten und die Optimierung maschinellen Lernens. Das Ergebnis war eine robuste und skalierbare Datenpipeline, die das Training, die Validierung und die Sicherheit von KI-basierten Fahrzeugfunktionen deutlich verbessert.
KI Data Tooling wurde vom Bundesministerium für Wirtschaft und Energie (BMWE) gefördert und vereinte führende Partner aus Industrie und Wissenschaft.
Herausforderung
Sicheres autonomes Fahren erfordert KI-Systeme, die auch in seltenen und kritischen Situationen zuverlässig funktionieren. Bestehende Dateninfrastrukturen bieten jedoch oft keine umfassende Abdeckung über verschiedene Sensortypen und Fahrszenarien hinweg, was das effektive Training und die Validierung dieser Systeme erschwert. Das Konsortium benötigte ein vollständiges, skalierbares Daten-Toolkit – einschließlich Datengenerierung, Qualitätsbewertung und effizienter Verarbeitung – zur Unterstützung einer robusten KI-Entwicklung.
Lösung
fortiss entwickelte datengetriebene Methoden und Deep-Learning-Techniken, um das End-to-End-Training von KI-Systemen für autonomes Fahren zu unterstützen. Der Fokus lag auf Herausforderungen wie der effizienten Datenannotation, der Integration synthetischer Daten, der Erkennung seltener oder unbekannter (Corner Case) Szenarien sowie der Generierung kontextueller Informationen für sogenannte Long-Tail-Szenarien. Diese Elemente wurden in die umfassende Tooling-Pipeline des Konsortiums integriert. Das Ergebnis war ein standardisiertes, modulares Daten-Toolkit zur Beschleunigung von Entwicklungs- und Validierungsprozessen in der Automobilbranche.
Ergebnis
- Erfolgreiche Integration der fortiss Lösung in die umfassende KI-Tooling-Pipeline des Projekts
- Ermöglichung eines schnelleren und qualitativ hochwertigeren Trainings von KI-Systemen
- Verbesserung der Zuverlässigkeit bei der Validierung von KI-basierten Fahrfunktionen
- Schaffung einer wichtigen Grundlage für sichere und intelligente Mobilitätslösungen in Deutschland
- Hochwertige, multimodale Daten als zentrale Voraussetzung für robustes KI-Training im autonomen Fahren
- Einsatz synthetischer Daten zur Erweiterung von Trainingsdatensätzen
- Gezielte Modellierung von Long-Tail-Szenarien zur Abdeckung sicherheitskritischer Ausnahmefälle
Fazit
Das Projekt KI Data Tooling zeigt, dass eine skalierbare, datengetriebene Tooling-Pipeline das Training und die Validierung von KI-Fahrfunktionen deutlich verbessert und insbesondere kritische sowie seltene Szenarien zuverlässig abdecken kann. Damit schafft der Ansatz eine zentrale Grundlage für die sichere Entwicklung und den breiten Einsatz autonomer Fahrfunktionen.
Projektpartner
