Magna | Automotive & Aerospace

Datenanalyse für automatisiertes Fahren

Magna – Datenanalyse für automatisiertes Fahren
Das Know-Center entwickelt in Zusammenarbeit mit dem Magna Entwicklungsteam in Graz ein Framework, mit dem Messdaten automatisierter Fahrzeuge zusammengeführt und analysiert werden können. Das Projekt „ADDaPT“ wird in der Programmlinie „EFREtop“ der FFG gefördert.

Automatisierte Fahrzeuge stellen die Automobilindustrie vor große Herausforderungen. Fahrerassistenzsysteme wie Abstandswarner, Spurhalteassistent oder Notbremssysteme müssen umfassend getestet und validiert werden, bevor sie zugelassen und verbaut werden können. Nur so kann absolute Zuverlässigkeit garantiert werden.

„Unser Ziel ist, einen durchgängigen Entwicklungs- und Fertigungsprozess von automatisierten Fahrzeugen zu schaffen. Die effiziente Aggregation und Analyse von Messdaten hilft uns, Entwicklungsaufwände und Kosten zu reduzieren.“

Dr. Stefan Bernsteiner, Groupleader ADAS Simulation and Data Analysis, Magna Steyr Fahrzeugtechnik

 

Fehlende Synchronität als Herausforderung

Ziel des Projektes war, Daten unterschiedlichster Art – sogenannte multimodale Daten – möglichst automatisch und effizient zu aggregieren. Dafür wurden Videodaten von im Fahrzeug eingebauten Kamerasystemen oder Log-Daten von automotiven Bussystemen erfasst. Ein typisches Problem dabei ist, dass die zu aggregierenden Daten nicht synchron sind bzw. eine unterschiedliche zeitliche Auflösung haben. Oft ist die zeitliche Information auch nicht direkt verfügbar. Im Projekt mussten beispielsweise die Zeitstempel für die Videodaten mittels maschineller Lernverfahren aus den in dem Videostream eingeblendeten Uhrzeiten extrahiert werden. Die Videodaten wurden dann mit Signalen aus dem Spurwechselassistent (Blind-Spot-Information-System „BLIS“) synchronisiert.

 

Vision: Datenverarbeitungspipeline

Die aggregierten Daten wurden anschließend mit Hilfe von Big Data Technologien analysiert. Dafür wurde ein sogenannter Hadoop-Cluster eingesetzt. Dabei handelt es sich um ein verteiltes Big Data Framework, das in der Lage ist, sehr große Datenmengen zu speichern und mit hoher Geschwindigkeit zu verarbeiten.

Fälle, in denen das System fälschlicherweise überholende Fahrzeuge im Totwinkel anzeigt (false-positive) oder Fahrzeuge im Totwinkel nicht erkennt (false-negative) wurden identifiziert und somit die Korrektheit des BLIS überprüft.

Im nächsten Entwicklungsschritt wird das bestehende Framework weiter ausgebaut, um zusätzliche Validierungen, speziell von komfortorientierten Fahrfunktionen, wie z.B. Abstandsregeltempomaten und Highway Assist Funktionalität zu ermöglichen. Die Vision ist eine Datenverarbeitungspipeline aufzubauen, mit der anhand einer SQL-ähnlichen Syntax und benutzerdefinierten Regeln, Daten kombiniert und ausgewertet werden können.