Die Idee:
Das Magna Entwicklungsteam in Graz wollte nun wissen, wie Messdaten, die beim automatisierten Fahren in großer Menge produziert werden, durch den Einsatz von KI besser und effektiver analysiert werden können.
Die Ziele:
Erarbeitung eines Framework, mit dem Messdaten zusammengeführt und analysiert werden können.
Unser Beitrag:
Daten unterschiedlichster Art – sogenannte multimodale Daten – möglichst automatisch und effizient zu aggregieren und dafür Videodaten von im Fahrzeug eingebauten Kamerasystemen oder Log-Daten von automotiven Bussystemen zu erfassen.
Ein typisches Problem dabei ist, dass die zu aggregierenden Daten nicht synchron sind oder 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.
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.
„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
Die Ergebnisse:
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.
Das Projekt „ADDaPT“ wird in der Programmlinie „EFREtop“ der FFG gefördert.