Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI

Die Zukunft des Fahrens ist autonom... Bis Fahrzeuge über die Fähigkeiten des menschlichen Fahrens verfügen, muss die AI aber noch ein paar Dinge lernen. Das in Graz ansässige Unternehmen AVL adressiert eines dieser Probleme gemeinsam mit dem im Silicon Valley ansässigen Technologieanbieter Deepen.AI.

Zusammenfassung aus

Zusammenfassung ein

AVL trainiert die AI mit Deepen AI
(c) Adobe Stock / Monopoly919
sponsored
Der Summary Modus bietet einen raschen
Überblick und regt zum Lesen mehrerer
Artikel an. Der Artikeltext wird AI-basiert
zusammengefasst mit der Unterstützung
des Linzer-Startups Apollo AI.

  • Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst.
  • Zugleich muss die AI noch lernen, welche Daten für die Sicherheit relevant sind und welche nicht.
  • Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel, welches in einer Kooperation mit der in Graz ansässigen AVL einen Prototyp zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt hat.
  • „Die Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat“, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: „Sie helfen bei der Klassifizierung und Kalibrierung.“
  • Im Idealfall soll im Rahmen der Kooperation eine komplette „Data Intelligence Pipeline“  entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.
  • Im Rahmen des „Safety Pool Project“ sollen gemeinsam mit dem World Economic Forum quantifizierte Benchmarks und einheitliche Objektklassen definiert werden, die dann als Standards für die Branche gelten.

Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst. Um die Aufgabe des Fahrens zu bewältigen, müssen die autonomen Fahrsysteme („Autonomous Driving Systems“ / ADS) noch erfolgreich das Erkennen von Objekten und das Einschätzen von Situationen erlernen.

+++So hilft Software, menschliche Fehler beim Autofahren zu verhindern+++

Dieser Prozess läuft in mehreren Stufen ab. Die Objekterkennung muss in der ersten Phase feststellen, wo sich überhaupt ein Objekt befindet. Im zweiten Schritt wird dann ein erkanntes Objekt klassifiziert: Es wird festgestellt, ob es sich dabei beispielsweise um ein Fahrzeug, einen Erwachsenen, ein Kind oder ein Tier handelt – denn ein Kind verhält sich zum Beispiel anders als ein Erwachsener. Schließlich muss das System noch das sogenanntes# „Tracking“ durchführen: Dabei wird analysiert, wo sich das Objekt in der Vergangenheit befand, wo es sich nun befindet – um somit Rückschlüsse darüber zu ziehen, wo sich das Objekt vermutlich als nächstes befinden wird.

Die Datenspreu vom Datenweizen trennen

Selbstfahrende Autos nutzen dabei Daten verschiedener im Fahrzeug verbauter Sensoren – wie etwa Kameras oder der LiDAR-Sensor, welcher den Abstand der Objekte zum Auto misst. Diese Sensoren produzieren unzählige Daten – und eben diese Daten müssen korrekt zugeordnet werden, so dass die AI erkennen kann, welche Daten für die Sicherheit relevant sind und welche nicht.

Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel. Deepen hat in Zusammenarbeit mit der Firma AVL aus Graz eine Technologie zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt. Erste Ergebnisse dieser Zusammenarbeit wurden im Rahmen der CES 2020 in Las Vegas präsentiert.

PoC mit AVL für die Zukunft des autonomen Fahrens

Beim von drei ehemaligen Google-Mitarbeitern gegründeten Startup Deepen.AI geht es um die zuvor erwähnte Herausforderung, autonomen Fahrsystemen zu einem besseren Verständnis ihrer Umwelt zu verhelfen. Um dies zu erreichen, braucht die KI etwas menschliche Hilfe, um effektiv darin trainiert zu werden, korrekte Schlussfolgerungen zu ziehen. Neben den 17 Vollzeit-Mitarbeitern beschäftigt Deepen.AI daher rund 250 Menschen in Indien, welche die von den Sensoren erfassten Daten bereinigen und die KI darin trainieren, Objekte zu erkennen: So markieren sie zum Beispiel, wenn die AI einen Seitenspiegel bei einem Auto übersehen oder Objekte falsch klassifiziert hat. „Diese Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat“, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: „Sie helfen bei der Klassifizierung und Kalibrierung.“

Eben dieser starke Fokus auf Datenintegrität ist auch Schwerpunkt des gemeinsam mit AVL entwickelten PoC. „Es ist für AVL wichtig, auf Pixel- und Point-Level korrekt annotierte Daten zu haben“, erläutert Thomas Schlömicher, Research Engineer ADAS bei AVL. Im Idealfall soll im Rahmen der Kooperation eine komplette „Data Intelligence Pipeline“  entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.

 „Safety Pool“ als nächster Schritt nach dem PoC

„Gemeinsam“ ist auch das Stichwort hinter dem Ziel, das die Partner nach dem erfolgreichen PoC gemeinsam verfolgen möchten. Eine große Herausforderung für die Branche ist, dass die verschiedenen Autohersteller derzeit unterschiedliche Wege gehen, wobei jeder seinen eigenen Ansatz verfolgt. „Die Branche braucht aber Standards“, sagt Musa: Das sei die Basis dafür, dass jeder in die Sicherheit der Systeme vertraut.

Daher hat „Safety Pool™, (www.safetypool.ai), ein Projekt unter der Leitung von Deepen und dem Weltwirtschaftsforum, das Ziel, quantifizierte Benchmarks und einheitliche Beschreibungen von Fahrsituationen zu definieren, die dann nicht nur als Standards für die Industrie, sondern auch als solides Rückgrat zur Ableitung von konsensbasierten Sicherheitsbewertungen und Rahmenregelungen dienen sollen. Dies wird die Gesellschaft einen bedeutenden Schritt näher zum Ziel bringen, von den revolutionären Fähigkeiten der automatisierten Fahrtechnologien zu profitieren.

AVL und Deepen AI im Video-Talk

==> zur Website des Startups

==> zur Website der AVL Creators Expedition

Redaktionstipps
Möchtest du in Zukunft mehr von diesen Artikeln lesen?

Dann melde dich für unseren Newsletter an!

Leselisten zum Schmökern

Neueste Nachrichten

Summary Modus

Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI

AVL trainiert die AI mit Deepen AI

Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI

  • Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst.
  • Zugleich muss die AI noch lernen, welche Daten für die Sicherheit relevant sind und welche nicht.
  • Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel, welches in einer Kooperation mit der in Graz ansässigen AVL einen Prototyp zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt hat.
  • „Die Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat“, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: „Sie helfen bei der Klassifizierung und Kalibrierung.“
  • Im Idealfall soll im Rahmen der Kooperation eine komplette „Data Intelligence Pipeline“  entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.
  • Im Rahmen des „Safety Pool Project“ sollen gemeinsam mit dem World Economic Forum quantifizierte Benchmarks und einheitliche Objektklassen definiert werden, die dann als Standards für die Branche gelten.