Zum Hauptinhalt springen

RELAI

Risk Estimation with a Learning AI

Synthetische Prüfszenarien (Abbild realer, herausfordernder Verkehrssituationen im Straßenverkehr) können zum Testen automatisierter Fahrfunktionen in unterschiedlichen Simulationsumgebungen oder in realen Prüffeldern verwendet werden. Die Prüfszenarien werden in einem offenen standardisierten Format über ein Web-Portal und die mCLOUD der Allgemeinheit zugänglich gemacht.

Die Wahrscheinlichkeit dafür, dass in einer Einkaufsstraße von beiden Seiten gleichzeitig Menschen auf die Straße laufen, ist an einem Werktag um 15:00 Uhr wesentlich höher als an einem Sonntag. Ein aufmerksamer, rücksichtsvoller Fahrer kennt diese Zusammenhänge, schätzt ein, welche aktuell vorliegen und wählt dann einen angemessenen Fahrstil. Im ersten Fall würde der Fahrer vorausschauend die Fahrzeuggeschwindigkeit reduzieren, um das Entstehen von gefährlichen Situationen bzw. eines Unfalls zu verhindern. Diese dynamische Risikoeinschätzung ist eine wesentliche Funktion für zukünftige autonome Fahrzeuge, zu deren Entwicklung und Absicherung den OEMs (Erstausrüster) und Zulieferer heute noch die relevanten Testszenarios fehlen.

Ziele und Vorgehen

Mithilfe eines datengetriebenen, KI-basierten Ansatzes werden in RELAI variantenreiche synthetische Prüfszenarien als Abbild realer, herausfordernder Verkehrssituationen im Straßenverkehr erzeugt. Die synthetischen Prüfszenarien können zum Testen automatisierter Fahrfunktionen in unterschiedlichen Simulationsumgebungen oder in realen Prüffeldern, durch Anzeige auf einem Tablet, verwendet werden. Die Prüfszenarien werden in einem offenen standardisierten Format über ein Web-Portal und die mCLOUD der Allgemeinheit zugänglich gemacht. Neue Prüfszenarien können basierend auf den gemessenen Daten automatisiert generiert und zur Evaluation von situationsadaptivem, erwartungskonformem Fahrverhalten verwendet werden.

Bereits vorhandene Datensätze, die kritische Fahrsituationen beschreiben, werden zusammen mit geeigneten Daten aus der mCLOUD auf Fahrkontext-Parameter untersucht und entsprechend veredelt. Durch KI-basierte Lernverfahren werden Modelle entwickelt und trainiert, die diese Prüfszenarien generalisieren. Somit können neue variantenreiche synthetische Prüfszenarien abgeleitet, und automatisiert in unterschiedliche Prüfumgebungen übertragen werden. Hierzu wird ein Web-Portal entwickelt, welches auf der EDI hive Standard-Plattform basiert, und direkt an die mCLOUD angebunden ist.

Projektsteckbrief

Verbundkoordinator

  • EDI GmbH

Projektlaufzeit

  • 08/2019 – 07/2022

Projektpartner

  • IPG Automotive GmbH
  • Karlsruhe Fraunhofer IOSB
  • Universität Stuttgart

Gefördert durch das Bundesministerium für Verkehr und digitale Infrastruktur