Moderne KI-Modelle zur Umgebungserfassung autonomer Fahrzeuge liefern beeindruckende Ergebnisse. Oft sind sie jedoch empfindlich gegenüber Datenrauschen, verdeckten Objekten und schwierigen Sicht- oder Wetterbedingungen. Insbesondere bei Einzelbildvorhersagen können unplausible Ergebnisse auftreten, die oft mit nachgelagerten Verfahren korrigiert werden müssen.
Hochautomatisierte Fahrsysteme benötigen jedoch eine robuste und verlässliche Wahrnehmung anderer Verkehrsteilnehmer durch die Kombination verschiedener Sensormodalitäten.
Das Projekt „PIPER-AD“ möchte ein KI-gestütztes Wahrnehmungssystem für hochautomatisierte Fahrsysteme entwickeln. Dabei verfolgt es einen hybriden Ansatz, indem multimodale Deep-Learning-Modelle mit physikalischem Vorwissen kombiniert werden. Physikalische Rahmenbedingungen, wie realistische Fahrzeugdynamik und Bewegung entlang der Fahrbahn, werden in das Trainingsverfahren integriert, um die Robustheit und Generalisierbarkeit des Systems zu erhöhen.
Langfristig soll das Framework um Unsicherheitsquantifizierung erweitert werden, um die Sicherheit auch unter schwierigen Bedingungen und die Akzeptanz autonomer Fahrzeuge zu steigern.
