GSB 7.0 Standardlösung

HinweisCookies

Diese Webseite verwendet Cookies. Diese dienen der Zwischenspeicherung bei Bestell- oder Anmeldevorgängen. Nicht erfasst werden Daten wie Nutzungshäufigkeit oder Verhaltensweisen. Hier erfahren Sie mehr zum Thema Datenschutz.

OK

Risk Estimation with a Learning AI - RELAI [RELAI ]

Mithilfe eines datengetriebenen, KI-basierten Ansatzes werden in RELAI variantenreiche synthetische Prüfszenarien als Abbild realer, herausfordernder Verkehrssituationen im Straßenverkehr erzeugt. Die synthetischen Prüfszenarien können zum Testen automatisierter Fahrfunktionen in unterschiedlichen Simulationsumgebungen oder in realen Prüffeldern, durch Anzeige auf einem Tablet, verwendet werden. Die Prüfszenarien werden in einem offenen standardisierten Format über ein Web-Portal und die mCLOUD der Allgemeinheit zugänglich gemacht. Neue Prüfszenarien können basierend auf den gemessenen Daten automatisiert generiert und zur Evaluation von situationsadaptivem, erwartungskonformem Fahrverhalten verwendet werden. [115]

ProjektakronymRELAI
ProjektpartnerEDI GmbH, IPG Automotive GmbH, Fraunhofer IOSB, Universität Stuttgart
Internetpräsenzhttps://www.bmvi.de/SharedDocs/DE/Artikel/DG/mfund-projekte/relai.html
Kontakthttps://www.bmvi.de/SharedDocs/DE/Artikel/DG/mfund-projekte/relai.html
Beginn01.08.2019
Ende31.07.2022
Projektlaufzeit36
Projektvolumen [Mio. €]1,432477
KernthemenAutomatisierung
UntersuchungsgegenständeBereits vorhandene Datensätze, die kritische Fahrsituationen beschreiben, werden zusammen mit geeigneten Daten aus der mCLOUD auf Fahrkontext-Parameter untersucht und entsprechend veredelt. Durch KI-basierte Lernverfahren werden Modelle entwickelt und trainiert, die diese Prüfszenarien generalisieren. Somit können neue variantenreiche synthetische Prüfszenarien abgeleitet und automatisiert in unterschiedliche Prüfumgebungen übertragen werden. Hierzu wird ein Web-Portal entwickelt, welches auf der EDI hive Standard-Plattform basiert, und direkt an die mCLOUD angebunden ist. [115]
Forschungsschwerpunkt 1Automatisiertes Fahren
Forschungsschwerpunkt 2Infrastrukturseite
ForschungszielStandardisierung
FunktionskategorieSicherheit
VerkehrswegkategorieStadtstraße
StraßencharakteristikaStadtstraße mit herausfordernder Verkehrssituation (Kreuzungen, Fußgänger, Radfahrer…)
RoaduserausstattungFahrzeug: BMW Coupe (Mietwagen); Ausstattung mit OBD2-Diagnosegerät "klavkarr 210" von klavkarr inklusive Diagnose- und Auslesesoftware EOBD-Facile EXPERT; GPS-Datenmessung über App "GPS-Tracker Pro“ (URL: https://apps.apple.com/de/app/gps-tracker-pro/id984920064); Audioaufzeichnung im Fahrzeug mit Diktiergerät
Genauigkeit der Erfassung durch den RoaduserErfassung der Geschwindigkeit in km/h je nach Fahrzeugtyp: 4 bis 15 Datenpunkte/Sekunde in CSV-Datei; Abtastrate GPS in Längen- und Breitengraden, Höhe und geschätzter Messfehler Längen-/Breitengrad: 1 Datenpunkt/Sekunde in CSV-Datei
Format der Ergebnisse der RouduserCSV-Dateien, Audioaufnahmen im m4a-Format; Fragebogenergebnisse (als CSV/XLSX/PDF-Datei verfügbar)
Anzahl Roaduser1
Standort 1[49.011196410622105, 8.422919782398864] Testfeld Autonomes Fahren Baden-Württemberg
KernergebnisBestehende Datensätze, die kritische Fahrsituationen beschreiben, werden wir zusammen mit geeigneten Daten aus der mCLOUD hinsichtlich der Parameter der Verkehrssituation/des Fahrkontexts untersuchen und entsprechend veredeln. Durch KI-basierte Lernverfahren entwickeln und trainieren wir dann Modelle, die aus den kritischen Situationen Testszenarien in allgemeiner Form ableiten. Daraus können neue variantenreiche synthetische Testszenarien abgeleitet und automatisch in verschiedenen Testumgebungen übertragen werden. Zu diesem Zweck entwickeln wir ein Webportal, dass auf der EDI hive Standardplattform basiert und direkt mit der mCLOUD verbunden ist.
Genutztes TestfeldTestfeld Autonomes Fahren Baden-Württemberg