Motivation
Autonome Bau- und Arbeitsmaschinen haben aufgrund von Arbeitskräftemangel und Einsätzen in gefährlichen Umgebungen ein sehr breites zukünftiges Anwendungsfeld im Hoch- und Tiefbau. Studien zufolge wächst der weltweite Markt für Bauausrüstung bis 2025 jedes Jahr um 5% auf dann rund 160 Milliarden Euro. Für autonome und KI-gesteuerte Systeme ist meist ein Betrieb auf abgegrenztem, privatem Gelände gegeben. Dadurch erübrigen sich komplexe rechtliche Fragen der Verkehrsgesetzgebung für den autonomen Betrieb im öffentlichen Raum. Fragen der zuverlässigen Funktion, des Unfallschutzes und der Haftung stehen im Vordergrund. Allerdings ist es gerade in diesem Bereich nicht möglich, für die vielschichtigen Szenarien von autonomen Bau- und Arbeitsmaschinen reale Datensätze zu erzeugen, die hinreichend viele Fälle enthalten, mit denen entsprechende Entwicklungen und anschließende Zulassungsnachweise erbracht werden könnten.
Ziele und Vorgehen
Kritische Zustände bei einer autonomen Bau- oder Arbeitsmaschine real zu erzeugen, ist aufgrund von hohen Kosten und Sicherheitsrisiken praktisch nicht umsetzbar, da diese im begrenzten Aufzeichnungszeitraum in realen Daten kaum vorzufinden sind. Daher ist es notwendig, synthetische Daten zu erzeugen, die diese kritischen Zustände abbilden. Das Projekt SynDAB wird erstmalig eine direkt angewandte Methode und Technologie liefern, um synthetische Daten für die Entwicklung und zur kosteneffizienten und zuverlässigen Prüfung und Freigabe von autonomen Bau- und Arbeitsmaschinen zu generieren. Bisher existiert keine Lösung im Bereich von autonomen Bau- und Arbeitsmaschinen zur Erzeugung von Daten, die seltene Fälle und insbesondere kritische Systemsituationen abdecken, um die für die Autonomie benötigten Modelle zu trainieren oder deren Korrektheit bzw. Zuverlässigkeit zu zeigen. Die Arbeiten erfolgen für die Altlastenaufarbeitung, einem spezifischen Anwendungsfall autonomer Bau- und Arbeitsmaschinen.
Innovationen und Perspektiven
Die synthetischen Daten sollen vor diesem Hintergrund anhand eines Demonstrators in einer realen Einsatzumgebung im Rahmen des Projekts evaluiert werden. Dabei wird der Test von autonomen Funktionalitäten auf KI-Basis ermöglicht, wodurch insbesondere die Gefährdungsrisiken bei der Arbeit deutlich gesenkt werden können, da seltene, aber kritische Unfallszenarien, umfassend in der Simulation mit synthetischen Daten überprüft werden können. Auf Basis eines offenen synthetischen Datensatzes wird das wichtige Zukunftsfeld vorangebracht.