Autonomes Fahren auch bei schlechten Winterbedingungen

Autonomes Fahren auch bei schlechten Winterbedingungen
Dank der Synchronisation unterschiedlicher Sensorprinzipien sowie einem hochentwickelten Bordcomputer mit einer selbstfahrenden Codebasis, ist autonomes Fahren auch bei schlechten Winterwetterbedingungen möglich. Mit an Bord des Autonomoose Projekts sind acht Kameras von Ximea.
Bild 1 | Der Lincoln-MKZ-Hybrid mit seiner vollständigen Sensorausstattung durchstreift die verschneiten Straßen von Ontario 
und zeichnet Schlechtwetterdaten auf, um fahrerlose Fahrzeuge zu befähigen, diese Bedingungen schließlich zu meistern.
Bild 1 | Der Lincoln-MKZ-Hybrid mit seiner vollständigen Sensorausstattung durchstreift die verschneiten Straßen von Ontario und zeichnet Schlechtwetterdaten auf, um fahrerlose Fahrzeuge zu befähigen, diese Bedingungen schließlich zu meistern.Bild: Ximea GmbH

Die Forscher des University of Waterloo – Centre for Automotive Research (WatCAR) modifizierten hierfür einen Lincoln MKZ Hybrid für den autonomen Drive-by-Wire-Betrieb. Die Forschungsplattform Autonomoose beinhaltet eine umfangreiche Anzahl an Radar-, Sonar-, Lidar-, Inertial- und Vision-Sensoren sowie leistungsstarke Emedded-PCs zum Betrieb des vollständig autonomen Antriebssystems und der integrierter Software zur Sensorfusion, Bahnplanung und Bewegungssteuerung. Die eingesetzten Sensoren umfassen acht Kameras der MQ013CG-E2 Serie von Ximea, einen Lidar-Scanner, ein GPS/Inertialsystem und zwei zusätzliche IMUs als Teil des Fahrerassistenzsystems (ADAS). Die Kameras zeichnen 10 Bilder pro Sekunde auf und versieht diese mit einem Zeitstempel. Der Lidar ist mit dem GPS-PPS-Signal und den NMEA-Nachrichten zeitsynchronisiert. Jede Lidar-Punktwolke enthält einen vollständigen 360°-Bogen der Lidar-Strahlen. Der Bordcomputer empfängt die GPS-PPS-Signale und NMEA-Nachrichten, welche die letzte Position, Geschwindigkeit, Orientierung sowie die Standardabweichungen enthalten. Basierend auf dem internationalen SAE-Standard für automatisiertes Fahren (SAE J3016, eine Skala von 0-5) wurde das Fahrzeug zunächst auf Stufe 2 gerüstet. Während der Dauer des Forschungsprogramms hat das Team die Automatisierung auf Stufe 3 und schließlich auf Stufe 4 (die im Jahr 2018 erreicht wurde) vorangetrieben.

Bild 2 | Die Machine-Learning-Algorithmen müssen auch bei schlechten Witterungsbedingungen und Kontrasten zuverlässige Ergebnisse liefern.
Bild 2 | Die Machine-Learning-Algorithmen müssen auch bei schlechten Witterungsbedingungen und Kontrasten zuverlässige Ergebnisse liefern.Bild: Ximea GmbH

Verlässliche Daten auch im Winter

Der Lincoln MKZ-Hybrid mit seiner vollständigen Sensorausstattung durchstreift die verschneiten Straßen von Ontario und zeichnet Schlechtwetterdaten auf, um fahrerlose Fahrzeuge zu befähigen, diese Bedingungen schließlich zu meistern. Systeme, deren Daten bei gutem Wetter generiert wurden, um Fahralgorithmen zu errechnen, können auf Grund unterschiedlicher visueller Bedingungen bei verschneiten Straßen, mit kontrastarmen weißem Hintergrund, verwirrt werden und falsche Daten liefern. Steven Waslander, ein außerordentlicher Professor am Institut für Luft- und Raumfahrtforschung der Universität Toronto in der Fakultät für angewandte Wissenschaften und Ingenieurwesen, und Krzysztof Czarnecki, ein Professor an der Universität Waterloo, leiten das Team, dass den kanadischen Datensatz über ungünstige Fahrbedingungen zusammenstellt. Eine Zusammenarbeit mit Scale AI hilft ihnen bei der Kategorisierung der Daten. „Daten sind ein kritischer Engpass in der aktuellen Machine-Learning-Forschung“, sagte Alexandr Wang, CEO von Scale AI. „Ohne zuverlässige, qualitativ hochwertige Daten, die die Realität des Fahrens im Winter erfassen, wird es einfach nicht möglich sein, selbstfahrende Systeme zu bauen, die in diesen Umgebungen sicher funktionieren.“ Das Projekt hat die Daten, die Dokumentation und die Support-Tools im GitHub platziert. Ein frei zugänglicher wissenschaftlicher Artikel über arXiv erklärt den Prozess der Datensammlung. Der Datensatz enthält 7.000 Frames, über die eine Vielzahl von winterlichen Fahrbedingungen gesammelt wurden. Lidar-Frame-Annotationen, die die Grundwahrheit für die Erkennung und Verfolgung von 3D-Objekten darstellen, wurden von Scale AI bereitgestellt. „Schlechtes Wetter ist ein Zustand, der eintreten wird“, so Waslander. „Wir wollen nicht, dass Kanada zehn oder 15 Jahre im Rückstand ist, nur weil die Bedingungen hier oben etwas härter sein können.“

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige