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

Bild: Fraunhofer IGD
Bild: Fraunhofer IGD
Software Arrange beschleunigt Absortierprozesse

Software Arrange beschleunigt Absortierprozesse

In Kombination mit einer Augmented-Reality-Brille bietet eine neue Software des Fraunhofer IGD digitale Unterstützung von Absortiervorgängen. Zusammengehörige Bauteile werden direkt im Sichtfeld der Beschäftigten an der Produktionslinie farblich überlagert. Anwender im Automotive-Bereich können so etwa durch beschleunigte Prozesse und eine minimierte Fehleranfälligkeit Kosten reduzieren.

Bild: Coscom Computer GmbH
Bild: Coscom Computer GmbH
Software-Plattform für KI und maschinelles Lernen

Software-Plattform für KI und maschinelles Lernen

Vermehrt interessieren sich Unternehmen dafür, auf Basis ihrer Fertigungsinformationen Verbesserungspotenziale in der Produktionsplanung und -steuerung zu heben. Maschinelles Lernen und künstliche Intelligenz (KI) kann aber nur dann wirtschaftlich sinnvoll eingesetzt werden, wenn alle relevanten Daten im Zugriff sind und deren Struktur zu den Anwendungen passen. Das Coscom-ECO-System soll eine Plattformökonomie als Basis für Business Intelligence (BI) bieten.

Bild: Benteler International AG
Bild: Benteler International AG
Produktionsfehler: KI findet die Nadel im Heuhaufen

Produktionsfehler: KI findet die Nadel im Heuhaufen

In der Qualitätsprüfung ist Zeit ein wichtiger Faktor: Wer Fehler rechtzeitig findet, kann sie effektiv und kostensparend beheben. Gemeinsam mit dem Fraunhofer IEM setzt der Automobilzulieferer Benteler dafür in der Warmumformung von Fahrzeugteilen auf Echtzeit-Sensordaten und Künstliche Intelligenz. Damit können Produktionsfehler schneller erkannt, behoben und zukünftig sogar vermieden werden.

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.