Motivation
Die Umgebung mittels Sensordaten (Kamera, LIDAR, Radar) wahrzunehmen, ist essenziell für moderne autonome Systeme. Nach aktuellem Stand der Technik funktionieren KI-basierte Verfahren mit ausreichender Erkennungsrate nur über eine relevante und möglichst heterogene Trainingsdatenmenge. Im Umkehrschluss bedeutet dies, dass, wenn die Material- und Sensoreffekte in synthetisch erzeugten Daten nicht genügend breit abgebildet werden, keine ausreichende Verkehrssicherheit gewährleistet wird. Das Training von KI-Netzen erfordert von den synthetisch generierten Daten eine hohe Güte, eine ausreichende Abdeckung/Varianz und geringe Kosten. Auf Basis dieser Kriterien werden Oberflächen bzw. Materialeigenschaften noch unzureichend abgebildet. Um die Daten synthetisch zu generieren, werden sie mittels Texturen bisher meist mit limitiertem physikalischem Bezug aufwendig von Hand modelliert. Daraus ergibt sich ein Bedarf an physikalisch basierten und automatisiert erstellten Texturen für die Simulation.
Ziele und Vorgehen
Das Verbundvorhaben KIEDAAS hat das Ziel, neue KI-Ansätze sowie deren Validierung zu erforschen, um damit automatisiert Texturen für synthetische Daten zu generieren. Dazu wird untersucht, wie insbesondere äußerst komplexe Texturen, wie die eines menschlichen Gesichts, vollautomatisiert erzeugt werden können. Umgesetzt werden soll dies mit Hilfe generativer Modelle wie dem Generative Adversarial Network (GAN). Die Texturen (z.B. Alter, Geschlecht oder Hautfarbe) können dabei mit spezifisch definierten Bedingungen gesteuert werden. Die Textur auf das geometrische Modell eines Fußgängers abzubilden (Mapping) soll zudem automatisiert erfolgen. Um die von den KI-Modulen übernommenen Aufgaben zu validieren, werden spezielle Methoden und Kennzahlen entwickelt, welche sicherstellen, dass die Texturen sowie die daraus resultierenden synthetischen Daten korrekt und mit ausreichender Qualität erzeugt werden. Ein Fallbeispiel hierfür ist die korrekte Erkennung von Fußgängern im Verkehr.
Innovationen und Perspektiven
Der Einsatz der neuen Methoden zusammen mit erweiterten Werkzeugen leistet somit einen entscheidenden Beitrag zu einer sicheren autonomen Mobilität der Zukunft. Das Verfahren trägt dazu bei, schneller relevantere Daten zu erhalten, was sich direkt in der eigentlichen Autonomous Driving-Funktion im Fahrzeug widerspiegelt. Im Vorhaben werden klassische Ansätze (hoher Realismus, multi-modulare Sensorsimulationen, komplexe Situationen, aufwendige Erzeugung von Datenvarianz) mit KI-basierten Ansätzen (automatisierte Erzeugung von Datenvarianz, weniger komplexe Situationen) kombiniert. Dies ermöglicht einen skalierbaren und validierbaren Ansatz, der eine ausreichende Datenvielfalt liefern und damit autonome Systeme absichern kann.