Das Verbundvorhaben KIsSME untersucht, wie künstliche Intelligenz (KI) Datenmengen zur effizienten Szenarienerfassung bei der Erprobung hochautomatisierter Fahrzeuge verdichten kann. Das Fraunhofer EMI arbeitet dabei an den Themen Kritikalität, schnelle Simulationen und lernfähige Algorithmen.

Enorme Datenmengen bei der Erprobung hochautomatisierter Fahrzeuge
Beim Erproben hochautomatisierter Fahrzeuge fallen große Mengen an Daten an: vier bis acht Terabyte pro Fahrzeug und Tag. Mit verschiedenen Sensoren ausgestattet, werden von den Fahrzeugen im Fahrbetrieb permanent Informationen über ihren eigenen Status, die Umgebung oder den Straßenverkehr aufgenommen. Letztlich müssen automatisierte Fahrzeuge auf dieser Datengrundlage in kürzester Zeit verlässliche Fahrentscheidungen treffen können. Um dies zu erreichen, liegt ein wegbereitender Schritt darin, in Vorarbeiten den Fokus auf Aspekte und Funktionen der Datenselektion zu richten.
KIsSME-Projektziel der intelligenten Datenauswahl
Der Ansatz des Verbundvorhabens KIsSME (steht für »Künstliche Intelligenz zur selektiven echtzeitnahen Aufnahme von Szenarien- und Manöverdaten bei der Erprobung von hochautomatisierten Fahrzeugen«) ist es, die anfallenden Datenmengen unter anderem mithilfe von auf KI basierenden Algorithmen zu reduzieren und zu verdichten, um Speicherplatz, Energie und Auswertungsaufwand zu sparen. KIsSME bezieht sich auf automatisiertes Fahren der Stufen vier bis fünf (vollautomatisiert bis autonom).
Das Projektvorgehen beinhaltet, Kataloge von relevanten Fahrszenarien zu erstellen und bei der Fahrzeugerprobung neu auftretende Szenarien einzusortieren. Das heißt, schon während des Fahrbetriebs sollen nur diejenigen Daten aufgezeichnet werden, die tatsächlich relevant sind und einen Mehrwert bringen. Kern dabei ist die Entwicklung eines Kritikalitätsbewertungsverfahrens (beispielsweise anhand bekannter kritischer Szenarien oder historischer Daten), mit dem sich auch bei der Fahrzeugerprobung neu auftretende Szenarien bewerten lassen.