42 Doch inwiefern spiegeln die Trainingsdaten überhaupt die operativen Einsatzbereiche der Fahrerassistenzsysteme wider? Dies ist oftmals zweitrangig. Um die Fehleranfälligkeit der Systeme zu reduzieren, wurde bisher lediglich die Quantität der Daten erhöht. Das Ergebnis sind unnötig komplexe, langwierige und ineffiziente Entwicklungsprozesse. ARRK Engineering hat daher einen Ansatz entwickelt, mit dem fehlerhafte oder die Realität verzerrende Daten korrigiert bzw. entfernt und die Fahrerassistenzsysteme zielgenau, zuverlässig und ressourceneffizient trainiert werden können. Namhafte OEMs machen es, Mobility-Startups tun es ihnen gleich und Verbraucher wollen es: In immer mehr Fahrzeugen werden Fahrassistenzsysteme der Automatisierungsstufen 2 und 3 verbaut. Tagtäglich verlassen sich zahlreiche Verkehrsteilnehmer auf Spurhalteassistenten, automatische Einparkhilfen und Adaptive Cruise Control (ACC). Um die Sicherheit auf den Straßen zu gewährleisten, werden die Systeme mithilfe riesiger Datensätze trainiert. Riesige Datensätze: der Teufelskreis der Masse Je komplexer die Funktionalitäten der unterschiedlichen Fahrerassistenzsysteme sind, desto spezifischere Datensätze werden für deren Trainings benötigt. Um all die individuellen Verkehrssituationen abzudecken, wurden die Datenmodelle in den letzten Jahren immer weiter vergrößert. Der Fokus lag dabei primär auf Masse an enthaltenen Aufnahmestunden oder annotierten Objekten bei unterschiedlichen Wetterlagen und Lichtverhältnissen. Dies führt jedoch dazu, dass sich auch der Anteil der fehlerhaften oder für einen bestimmten operativen Einsatzbereich unpassenden Daten proportional erhöht. Um sicherzustellen, dass die neuentwickelten Fahrerassistenzsysteme weiterhin zuverlässig funktionieren, wurde dieses Qualitätsdefizit mit Quantität kompensiert – ein Teufelskreis. Die Folge sind sehr lange Entwicklungszeiten mit vielen Iterationsschleifen. Um diesem Dilemma zu entfliehen, muss die Automobilindustrie den Fokus weg von der Quantität und hin zur Qualität der Datensätze zu verschieben. Die Machine Learning-Spezialisten von ARRK Engineering haben einen Ansatz entwickelt, um die Prozesse im Hinblick auf einen operativen Einsatzbereich zu validieren und bei Bedarf entsprechend zu korrigieren. Auf diese Weise lässt sich das Development effizienter gestalten und, wichtiger noch, auch die funktionale Sicherheit der Fahrerassistenzsysteme erhöhen. Beispiel ACC: Analyse der Datensätze hinsichtlich der Trajektorienplanung Die ADAS-Funktion ACC hält das Fahrzeug mit einer bestimmten Geschwindigkeit auf der Fahrspur und stellt dabei einen ausreichenden Abstand zu anderen Verkehrsteilnehmern und Hindernissen sicher. Dafür berechnet das System zu jedem erkannten Objekt die sogenannte Time-To-Collision (TTC). Sinkt diese unter einen definierten Schwellenwert, dann reagiert das Fahrzeug mit Brems- oder Ausweichmanövern. Dabei gilt: Je größer die Geschwindigkeitsdifferenz zwischen dem Fahrzeug und einem davor befindlichen Objekt ist, desto kürzer ist die TTC und desto früher muss das ACC reagieren. Deswegen muss das System z. B. ObjekMachine Learning Minderwertige Datensätze erhöhen die Unfallgefahr bei Fahrassistenzsystemen Ist Quantität wirklich die beste Lösung für das Training hochfunktionaler Fahrerassistenzsysteme? Von Václav Diviš, Senior Expert Machine Learning bei ARRK Engineering Fahrassistenzsysteme (ADAS) sind nicht nur ein Standardaccessoire in jedem Neuwagen, sondern auch ein wichtiger Meilenstein auf dem Weg zum autonomen Fahren. Je mehr die technischen Helfer selbstständig können sollen, desto besser wollen die dem System zugrundeliegenden neuronalen Netze trainiert werden. So wachsen auch die verwendeten Datensätze immer weiter an. Bild: © Scharfsinn/Shutterstock Die ADAS-Funktion ACC hält das Fahrzeug mit einer bestimmten Geschwindigkeit auf der Fahrspur und stellt dabei stets einen ausreichenden Abstand zu anderen Verkehrsteilnehmern und Hindernissen sicher.
RkJQdWJsaXNoZXIy MjUzMzQ=