Effektiveres Training und robuste Validierung autonomer Fahrzeuge
Simulationen sind unverzichtbare Werkzeuge für die Entwicklung und Validierung autonomer Fahrzeuge (AVs). Plattformen wie CARLA ermöglichen es Forschern und Ingenieuren, komplexe Verkehrsszenarien unter kontrollierten und reproduzierbaren Bedingungen zu modellieren. Allerdings gibt es nach wie vor eine wesentliche Einschränkung: Während die zugrunde liegende Physik und Szenariologik gut erfasst werden, bleibt der visuelle Realismus der simulierten Sensordaten oft hinter der Wahrnehmung in der realen Welt zurück. Diese Lücke schränkt die Übertragbarkeit von in der Simulation trainierten Wahrnehmungs- und End-to-End-Fahrmodellen auf den Einsatz in realen Verkehrsumgebungen erheblich ein.
Dieses Forschungsprojekt zielt darauf ab, die Sim2Real-Lücke zu schließen, indem es physikbasierte Simulation mit den neuesten Fortschritten in der generativen KI verbindet. Insbesondere konzentrieren wir uns auf neuronale Rendering-Techniken, darunter Neural Radiance Fields (NeRFs), Gaussian Splatting und diffusionsbasierte generative Modelle, um den Fotorealismus simulierter Kamera- und LiDaR-Daten zu verbessern. Diese Methoden ermöglichen die Synthese von Bildern und Punktwolken, die dem realen Erscheinungsbild sehr nahe kommen und gleichzeitig mit der Geometrie, Dynamik und Semantik der simulierten Umgebung konsistent sind.
Die Kernidee besteht darin, neuronale Rendering-Pipelines direkt in etablierte Simulatoren wie CARLA zu integrieren und dabei die Simulatorausgaben (z. B. Geometrie, Tiefe, Semantik und Trajektorien) als strukturierte Konditionierungssignale für generative Modelle zu verwenden. Dies ermöglicht die Erzeugung visuell realistischer Szenen, die physikalische Korrektheit und zeitliche Kohärenz bewahren und gleichzeitig eine systematische Variation von Erscheinungsfaktoren wie Beleuchtung, Wetter, Materialien und Sensoreigenschaften ermöglichen.
Durch die Kombination der Szenariokontrolle und physikalischen Genauigkeit von CARLA mit neuronalem Rendering und diffusionsbasierter Synthese zielt das vorgeschlagene Framework darauf ab, Simulationsdaten zu erzeugen, die sowohl verhaltensrelevant als auch visuell realistisch sind. Dies wiederum soll die Generalisierung von AV-Wahrnehmungs- und Fahrmodellen verbessern, die Abhängigkeit von teuren Datenerhebungen in der realen Welt verringern und reproduzierbare, hochpräzise szenariobasierte Tests für sicherheitskritische Systeme unterstützen.
Gesucht werden KMU oder Unternehmen mit Expertise in:
Wir suchen Unternehmen, die ihre bestehenden Anforderungen und Spezifikationspraktiken im Bereich Simulationstechnologie, 3D-Rendering und synthetischer Datengenerierung analysieren und optimieren möchten. Ihre Erkenntnisse werden zur Entwicklung praxisnaher und effizienter Lösungen für die Verbesserung der Simulationstechnologien und der Erstellung realistischer, datengestützter Modelle beitragen.
Melden Sie sich bei uns und gestalten Sie die Zukunft der Technologien im Bereich autonomes Fahren aktiv mit. Unternehmen, die Projektpartner werden, haben die Möglichkeit, zukünftige Tools zur Verbesserung von Simulationsumgebungen und der Generierung von synthetischen Daten zu testen, die wir entwickeln werden.
Bitte tragen Sie sich in das Formular ein. Wir werden uns umgehend bei Ihnen melden und Sie umfassend über die nächsten Schritte informieren.
