Künstliche Intelligenz im Auto: Echtzeitfähiger Fahrspurassistent ohne Tempolimit – Forschungsbericht unseres Mitarbeiters André

29/09/2021

Entwicklung automatisierter Fahrfunktionen im internationalen Team
Einer der großen Zukunftstrends im Automobilbereich befasst sich mit der stufenweisen Übergabe von Fahraufgaben vom Mensch zur Maschine. Das maßgebliche Ziel ist dabei die Sicherheit für alle Verkehrsteilnehmer zu verbessern. Dieser Zielsetzung hat sich auch unser Mitarbeiter André Reger in einem internationalen Team der ALTEN Group angenommen – wenngleich pandemiebedingt aus der Heimat und nicht vor Ort im Ausland. Während seine Kollegen aus Marokko und Rumänien im Projekt „DeinAuge“ an verschiedenen kamerabasierten Fahrzeugfunktionen forschen, entwickelt er für dieselbe Hardware einen echtzeitfähigen Fahrspurassistenten auf Basis von künstlicher Intelligenz. Die Umsetzung ohne Limitierung der Geschwindigkeit zielt hierbei vor allem auf den bisher unüblichen Einsatzort im Stadtgebiet ab.

Für ein halbes Jahr dient diese Forschungstätigkeit im Rahmen seines dualen Master Studiums bei der ALTEN GmbH als Abschlussarbeit mit dem Titel „Echtzeitfähiger Spurhalteassistent mit Trainingsdatensatz für automatisiertes Fahren mittels Deep Learning“. Direkt nach der erfolgreichen Abgabe berichtet er jetzt von seinen Erkenntnissen.

Ansprüche und Herausforderungen an Systeme
Das betrachtete Objekt einer sogenannten Lane Departure Warning (LDW) Funktion, das Ego-Fahrzeug, bewegt sich in der eigenen Spur vereinfacht betrachtet in Längs- und Querrichtung. Diese Führung kann der Mensch nicht fehlerfrei sicherstellen. In 2019 kam es in Deutschland so beispielsweise immer noch zu 101.150 schwerwiegenden Unfällen mit zum Teil Verunglückten und verletzten Personen durch das Abkommen von der Fahrbahn. Die allgemeine statistische Unfallursachenverteilung zeigt hierzu, dass der Grund für Unfälle aktuell zu 94 Prozent im menschlichen Fehlverhalten liegt. Die (teilweise) Übertragung dieser Verantwortung an eine Maschine verspricht daher einerseits ein großes Potential für die Sicherheit, stößt jedoch andererseits auf gravierende Schwierigkeiten. Nur vier der weltweit größten Straßennetze (Frankreich, Spanien, Italien und Deutschland) sind nahezu vollständig asphaltiert. Damit mögliche Fahrbahnmarkierungen folgen teils stark abweichenden länderspezifischen Standards. Bei der gegebenen Infrastruktur spielen Umgebungseinflüsse, wie zum Beispiel variierende Licht- und Wetterverhältnisse, kontinuierlich gegen das System. Eine dennoch korrekte Information für den Fahrer muss zusätzlich in Echtzeit geliefert werden, um schon bei der Tendenz zum Verlassen der Fahrspur rechtzeitig zu warnen.

Technologien im Bereich kamerabasierter Systeme
Zur Bewältigung der herausfordernden Situation kommt am Prozessbeginn als Sensor heute hauptsächlich eine Kamera mit Lichtfeld oder Infrarot sowie die Light Detection and Ranging (LiDAR) Technik zum Einsatz. Die Verarbeitung der aufgenommenen Daten findet anschließend meist entweder mit Hilfe traditioneller Bildverarbeitung oder lernbasierten Verfahren statt. Erstere gehen in mehreren Stufen von der Vorverarbeitung über die Feature Extraktion zur Linienmodellierung. Letztere nehmen sich ein Vorbild am menschlichen Gehirn und können, nach vorherigem Training beim Entwickler, eine Vorhersage zu einem eingespielten Bild in einem einzelnen Schritt erzeugen. Die hierfür eingesetzten neuronalen Netze im Bereich Deep Learning beinhalten dazu im Gegensatz zum anfänglichen maschinellen Lernen viele aneinander gereihte Neuronen innerhalb aufeinanderfolgender Schichten. Die – bis heute noch nicht final erforschte – Optimierung der Neuronen-Verbindungen ermöglicht so, bei passendem Design, sehr detaillierte Berechnungsmöglichkeiten. Die Kunst ist an dieser Stelle nicht das größte Netz zu entwerfen, sondern durch geschickte Auswahl der Parameter die effizienteste Variante zu finden. Für die Verarbeitung von Bilddaten im üblichen RGB-Format eignen sich demnach die darauf ausgelegten Convolutional Neural Networks (CNNs).

Entwickelte Umsetzung und Evaluierung
Im Vorlauf der eigentlichen Modellentwicklung ist ein neuartiger Trainingsdatensatz mit einem Umfang von 8.700 Bildern entstanden. Zu diesen virtuellen Aufnahmen aus einer Simulation kommen zwei Label-Arten, welche die reellen Ergebnisse (zum Beispiel alle Pixelpositionen einer gesuchten Markierung) zu jedem Datensatz liefern. Diese sind so ausgelegt, dass ein erstes CNN auf die Unterscheidung zwischen Bildern in Kreuzungs- und Fahrbahnbereich trainiert werden kann. Dem zweiten CNN wird hingegen anschließend dazu verholfen, in der Arbeitsumgebung eine mathematische Beschreibung für den Verlauf der Fahrspurmarkierung zu finden. Damit kann in Bezug auf die Ego-Fahrzeug-Position eine Statusmeldung für den Menschen erzeugt werden. Die Richtigkeit des erarbeiteten Algorithmus ist abschließend anhand von 15 Testfällen mit insgesamt 27.000 manuell ausgewerteten Testbildern bewertet.

Mehrwert der Arbeit in zwei Sätzen
Durch die Verwendung von künstlicher Intelligenz erreicht der neue Algorithmus den State of the Art an Genauigkeit und Ausführungsgeschwindigkeit als eine der Ersten ohne Tempolimit auch für den Einsatz in der Stadt. Das schnelllernende System ist in der virtuellen Einsatzumgebung zusätzlich in der Lage in diversen Wettersituationen bei gleichzeitig unterschiedlichen Lichtverhältnissen erfolgreich zu arbeiten.

 


Sie möchten auch ein Teil von ALTEN werden? Jetzt Traumjob finden und direkt bewerben!

Share

Das könnte Sie auch interessieren