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.
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.“
