- Anzeige -
- Anzeige -
Lesedauer: 4min
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.“

Autor:
Firma: Ximea GmbH
www.ximea.com

News

- Anzeige -

Weitere Beiträge

Das könnte Sie auch interessieren

Mit Machine Learning präzise Vorhersagen treffen

Viele Unternehmen haben das Potenzial selbstlernender Systeme, die Machine Learning benutzen, erkannt. Dieser Teilbereich der künstlichen Intelligenz basiert auf Algorithmen, die Muster und Gesetzmäßigkeiten in großen Datenmengen erkennen. Mithilfe neuronaler Netze lassen sich aus den Datenbeständen Rückschlüsse ziehen und Prognosen treffen. In vielen Branchen bereits etabliert, findet Machine Learning als Analyse- und Steuerungsinstrument nun auch zunehmend Anwendung in der Logistik. Ein Beispiel dafür ist die Verknüpfung des Microsoft Azure Machine Learning Studios mit Bestandsmanagement- oder ERP-Systemen. Mit diesen Lösungen lassen sich unter anderem Bestände und Bestellungen optimieren sowie Lagerprozesse erheblich verbessern.

mehr lesen

Studie von VDE und Bertelsmann Stiftung: KI-Ethik messbar machen

In einer neuen Studie zeigen die Technologieorganisation VDE und die Bertelsmann Stiftung, wie sich Ethikprinzipien für künstliche Intelligenz (KI) in die Praxis bringen lassen. Zwar gibt es eine Vielzahl an Initiativen, die ethische Richtlinien für die Gestaltung von KI veröffentlicht haben, allerdings bis dato kaum Lösungen für deren praktische Umsetzung. Genau hier setzt der VDE als Initiator und Leiter der ‚AI Ethics Impact Group‘ gemeinsam mit der Bertelsmann Stiftung an.

mehr lesen

KI in der medizinischen Diagnostik

Das Robotik Startup Robominds hat in Reaktion auf die aktuelle Corona-Pandemie eine Lösung entwickelt, die Roboterarme befähigt, Proben und Reagenzien für die medizinische Diagnostik vor zu sortieren. Auf Basis künstlicher Intelligenz erkennt das Soft-und Hardwaresystem Robobrain Position und Farbe der Probenröhrchen und kann diese ohne vorheriges Einlernen voll automatisiert vor- und einsortieren.

mehr lesen

Künstliche Intelligenz für ‚Beyond 5G‘

Während viele europäische Staaten gerade dabei sind, den Mobilfunk der 5. Generation aufzubauen, arbeitet die Forschung bereits an seiner Optimierung. Denn obwohl 5G seinen Vorgängern weit überlegen ist, hat auch der neueste Mobilfunkstandard noch Verbesserungspotenzial: Besonders in urbanen Gebieten, in denen ein direkter Sichtkontakt zwischen Sender und Empfänger erschwert ist, funktioniert die Funkverbindung oftmals noch nicht zuverlässig. In dem kürzlich gestarteten EU-Projekt Ariadne erforschen nun elf europäische Partner, wie sich durch die Nutzung von hohen Frequenzbändern und künstlicher Intelligenz eine fortschrittliche Systemarchitektur für »Beyond 5G« entwickeln lässt.

mehr lesen

Schutz der Privatsphäre und KI in Kommunikationssystemen

Alle zwei Jahre vergeben der VDE, die Deutsche Telekom sowie die Städte Friedrichsdorf und Gelnhausen den mit 10.000 Euro dotierten Johann-Philipp-Reis-Preis an einen Nachwuchswissenschaftler. Dieses Jahr geht er an Prof. Dr.-Ing. Delphine Reinhardt von der Georg-August-Universität Göttingen und an Dr.-Ing. Jakob Hoydis von den Nokia Bell Labs in Nozay, Frankreich. Die beiden Preisträger teilen sich die Auszeichnung und damit das Preisgeld.

Infor bringt Infor Coleman AI auf den Markt

Infor, Anbieter von branchenspezifischer Business-Software für die Cloud, hat bekanntgegeben, dass die Plattform Infor Coleman AI für Embedded-Machine-Learning-Modelle ab sofort verfügbar ist. Sie bietet die Geschwindigkeit, Wiederholbarkeit und Personalisierung, die Unternehmen benötigen, um KI vollständig zu operationalisieren.