Impulsprojekt 13: Hybride Modelle und KI-Methoden für Sichere Mobilität (HyMne 2) – Datengenerierung und Datenqualität

Das SAFIR Impulsprojekt „HyMne2“ untersuchte die Kombination von Fahrzeugdynamik Domänenwissen mit Methoden des maschinellen Lernens. Ziel war es:

1. die Zustandsschätzung zu verbessern,
2. realistisches Fahrverhalten zu generieren und zu steuern sowie
3. relevante Verkehrsszenarien für die Validierung automatisierter Fahrfunktionen zu identifizieren.

Das von Prof. Dr.-Ing. Michael Botsch geleitete Projekt umfasste drei Teilprojekte:

KI-basierte Optimierung von Korrekturdaten für Inertialmesssysteme

Für die Entwicklung und Validierung automatisierter Fahrfunktionen ist eine hochgenaue Fahrzeugzustandsschätzung essenziell. Diese basiert meist auf der Kombination von Trägheitsnavigationssystem (INS) und globalen Satellitennavigationssystemen (GNSS). In Umgebungen wie Tunneln oder Parkhäusern ist die GNSS-Verfügbarkeit jedoch eingeschränkt, wodurch die Schätzgenauigkeit sinkt. Daher sind zusätzliche Quellen für Korrektur- bzw. Referenzinformationen erforderlich.

Im Teilprojekt I wurden On-Board-Sensordaten genutzt, um Korrekturdaten für das INS zu erzeugen, insbesondere zur Schätzung des Schwimmwinkels. Dafür wurde ein neuartiges Uncertainty-Aware-Hybrid-Learning-Modell entwickelt, das modellbasierte Ansätze mit einer Transformer-Architektur unter Berücksichtigung von Unsicherheiten kombiniert.

Die Trainingsdaten stammen aus Realversuchen auf dem CARISSMA-Freiversuchsgelände und wurden für die Forschungsgemeinschaft öffentlich bereitgestellt. Die Integration in einen Extended-Kalman-Filter sowie die Echtzeit-Implementierung auf einer NVIDIA-ORIN-Plattform konnten erfolgreich validiert werden.

Der Industriepartner in diesem Teilprojekt war die Firma GeneSys Elektronik GmbH.

Guided Driver Behavior Generation

In Teilprojekt II wurde eine hybride Modellarchitektur entwickelt, die eine gezielte Beeinflussung datengetriebener Fahrerverhaltensmodelle ermöglicht. Dies ist insbesondere für Simulationen relevant, um realitätsnahe Fahr- und Bewegungsabläufe von Verkehrsteilnehmern gezielt zu beeinflussen und dabei realitätsnahe Bewegungsabläufe zu erzielen.

Das dafür im Teilprojekt vorgeschlagene KI-Modell nutzt historische Fahrdaten und „Guidance“-Informationen zur Ableitung von Steuergrößen wie Längsbeschleunigung und Gierrate. Ein nachgelagertes physikalisches Bewegungsmodell transformiert diese Signale in konsistente und realitätsnahe Fahrzeugtrajektorien , sodass lernbasierte Verhaltensmodellierung mit physikalischer Realitätsnähe kombiniert wird.

Im Teilprojekt wurden zwei KI-Architekturen validiert: eine LSTM- und eine Transformer-basierte Architektur. Letztere ermöglicht als Physik Informiertes Generatives Modell die Erzeugung mehrerer plausibler Trajektorien unter gleichen Randbedingungen.

Eine zentrale Herausforderung bei der Trainierbarkeit wurde durch den Einsatz von Gumbel-Softmax Sampling gelöst, wodurch trotz nicht differenzierbarer Komponenten effizientes Training möglich ist. Dieser methodische Ansatz kann für weitere vergleichbare KI-Modellarchitekturen verwendet werden.

Der Industrieprojektpartner in diesem Teilprojekt war die Firma ZF Mobility Solutions GmbH.

Selektion von relevanten Szenarien zur Validierung von Fahrfunktionen 

Der Test- und Freigabeprozess automatisierter Fahrfunktionen erfordert im szenariobasierten Testen geeignete und relevante Testszenarien. Im Teilprojekt III wurden daher Methoden entwickelt, um kritische sowie seltene oder atypische Verkehrssituationen zu identifizieren.

Zunächst wurden bestehende Kritikalitätskriterien erweitert, um regelbasiert kritische Szenarien erkennen zu können. Anschließend wurden Szenarien aus eigenen sowie aus dem INTERACTION-Datensatz mittels metrischen Lernens in eine latente Repräsentation überführt und darauf basierend geclustert. Ein besonderer Fokus lag auf Ausreißern, also Szenarien außerhalb der gebildeten Cluster.

Die Methoden wurden auf reale Verkehrsdaten einer innerstädtischen Kreuzung in Ingolstadt sowie auf gezielt erzeugte seltene Szenarien angewendet, die auf dem CARISSMA-Freiversuchsgelände aufgezeichnet wurden. So konnte nachgewiesen werden, dass sich die entwickelten Verfahren zur Identifikation relevanter Verkehrsszenarien eignen.

Der Industrieprojektpartner in diesem Teilprojekt war die Audi AG.

Ergebnis: HyMne2 liefert innovative Ansätze zur Verbesserung der Zustandsschätzung, zur realistischen Simulation von Fahrverhalten sowie zur Identifikation relevanter Testszenarien – wichtige Bausteine für die sichere Entwicklung automatisierter Fahrfunktionen.