Impulsprojekt 8: Hybride Modelle und KI-Methoden für Sichere Mobilität (HyMne) – Datengenerierung und Datenqualität

Künstliche Intelligenz (KI) gilt als erfolgsversprechende Methode, um die Komplexität autonomer Mobilität, bedingt durch die unendliche Variantenvielfalt und durch die zugrunde liegenden nichtlinearen Zusammenhänge, beherrschbar zu machen. Maschinelle Lernverfahren bieten die Möglichkeit, komplexe nichtlineare Zusammenhänge in Daten zu erfassen und Algorithmen zu entwickeln, die herkömmlichen modellbasierten Ansätzen überlegen sind. Allerdings weisen KI-Methoden zwei große Herausforderungen auf. Zum einen ist der Einsatz solcher Verfahren limitiert durch die zur Verfügung stehenden Datenmengen. Zum anderen stellt die nicht vorhandene Interpretierbarkeit, gerade in Bezug auf Sicherheitssysteme, ein großes Problem dar. Genau hier setzte das SAFIR IP8 mit seinen hybriden Modellen und dem Domänenwissen der THI und der Industriepartner an. Unzureichende Datenmenge wurden durch Vorverarbeitungsschritte, die auf Expertenwissen basieren, teilweise kompensiert. Ebenso wurden maschinelle Lernverfahren in hybriden Modellen mit Expertenwissen ergänzt, um die Interpretierbarkeit zu ermöglichen, bzw. um die Outputs der maschinellen Verfahren zu validieren. Gerade diese Kombination von Expertenwissen und KI war für die Industriepartner wichtig.

Neben Simulationen sind reale Fahrversuche für das Testen von Systemen, die einen autonomen Eingriff in die Längs- oder Querdynamik eines Fahrzeugs bewirken, unabdingbar. Aufgrund der hohen Kosten von Realversuchen ist es notwendig, wenige aber dafür „relevante“ funktionsspezifische Testszenarien zu identifizieren, reproduzierbar im Fahrzeug zu realisieren und anschließend zu bewerten. Für die Identifikation und Analyse der „relevanten“ Testszenarien können Simulationen genutzt werden, aber auch Daten von Verkehrsszenarien, die bei Fahrten auf öffentlichen Straßen aufgezeichnet werden. In der Intensivierungsphase wurden Brücken zwischen der Simulations- und der realen Welt im Absicherungsprozess unter Zuhilfenahme von KI-Methoden geschaffen. Die Vorteile von KI-Methoden sind dabei gezielt zum Einsatz gekommen.  

Im Teilprojekt I (Hochgenaue Zustandsschätzung und Datengenerierung), wurde an einer hochgenauen Zustandsschätzung mittels Inertialmesssystemen unter Abwesenheit von GPS-Signalen oder anderen externen Quellen für Korrekturdaten bei Realversuchen geforscht. Es wurde untersucht, inwieweit sich On-Board Sensoren der Fahrzeuge für eine Sensorfusion mit dem Inertialmesssystem des Projektpartners eignen. In den Teilprojekten II (Fahrermodellierung für die Funktionsentwicklung und -validierung) und III (Erprobungssystematik für automatisiertes Fahren) wurden Realdaten verwendet, um an einer adaptiven Fahrermodellierung sowie an der Generierung von urbanen Verkehrsszenarien mittels KI-Methoden zu forschen. 

Ergebnis: Die Kombination von Domänenwissen und maschinellem Lernen ist sehr hilfreich, um hochgenaue Navigationskorrekturdaten zu generieren, realistisches Fahrerverhalten aus datenbasierten Modellen zu erzeugen sowie Testszenarien für die Erprobung von automatisierten Fahrfunktionen zu generieren. Das Projekt HyMne2 setzt die Forschung im Bereich der hybriden KI-Methoden fort, mit dem Ziel, die Vorteile dieser Verfahren in Anwendungen darzustellen.