Erkenne die Situation
Vorausschauendes Fahren bei autonomen Fahrzeugen. Deutsche Uni Ulm entwickelt intelligentes Vorhersagemodell und inkludiert Verhalten anderer Verkehrsteilnehmer. Projekt siegt bei Bewerb gegen US-Unis MIT und John Hopkins.
Vorausschauendes Fahren hilft im Straßenverkehr bei der Vermeidung von Unfällen. Dies gilt insbesondere auch für automatisierte Fahrzeuge und dafür braucht es eine intelligente wie „vorsichtige“ Manöverplanung mit entsprechenden Informationen über das Verhalten anderer Verkehrsteilnehmer. Hilfreich dabei ist eine automatisierte Bewegungsvorhersage und zu diesem Thema forschen Experten der Universität Ulm. Die Ulmer Wissenschaftler setzen dabei auch auf Künstliche Intelligenz.
Prognose für zukünftige Bewegungsbahnen.
„Für die Planung eines „intelligenten“ Fahrmanövers braucht der Bordcomputer nicht nur Informationen über das bauliche Umfeld des Fahrzeugs mit Verkehrsführung, Beschilderung oder Signalgebung, sondern auch, wie sich andere Verkehrsteilnehmer wie Fahrzeuge, Fußgänger oder Radfahrer im Verkehrsraum bewegen“, erklärt Jan Strohbeck, Doktorand vom Institut für Mess‑, Regel- und Mikrotechnik der Universität Ulm.
Menschen können leichter vorhersagen wohin ein Auto fährt, selbst wenn es nicht blinkt. Für hochautomatisierte Fahrzeuge ist es weitaus schwerer, zukünftige Bewegungsbahnen zu prognostizieren. „Mit kurzen Vorhersagezeiträumen von einer Sekunde kommt der Computer zwar noch gut zurecht, indem er sich mit einfachen Bewegungsmodellen behilft. Doch bei größeren Vorhersagehorizonten werden solche Verfahren zunehmend ungenau“, so Strohbeck.
Künstliches Neuronales Netz extrahiert relevante Informationen
Um die Bewegungsprognosen für andere Verkehrsteilnehmer entsprechend zu verbessern, verwenden die Ulmer Experten ein Verfahren auf Basis von Künstlicher Intelligenz (KI). „Wir verfolgen dabei einen sogenannten Deep-Learning-Ansatz, wo Künstliche Neuronale Netze zum Einsatz kommen“, erläutert Michael Buchholz, Leiter des Forschungsprojekts. Zielsetzung ist, die Bewegungsbahn eines Fahrzeuges mindestens für die nächsten drei Sekunden möglichst korrekt vorherzusagen.
Bei diesem Verfahren werden künstliche Bilder von der Umgebung des Fahrzeuges erzeugt, inklusive Fahrspuren, andere befahrbare Bereiche wie Seitenstreifen oder Parkbuchten, aber auch Informationen über andere Verkehrsteilnehmer. „Ein Künstliches Neuronales Netz wird darauf trainiert, aus diesen Bildern relevante Informationen zu extrahieren und damit wahrscheinlichkeitsbasierte Aussagen über zukünftige Fahrzeugbewegungen abzuleiten. Diese dienen dann als Hypothesen zur Bewegungsvorhersage“, unterstreicht Strohbeck.
Universität Ulm besiegt renommierte US-Unis
Der Wissenschaftler forscht an der Uni Ulm im Rahmen des EU-Verbund-Projektes ICT4CART, wo es um die Unterstützung automatisierter Fahrzeuge im Straßenverkehr mittels Informations- und Kommunikationstechnik in der Infrastruktur geht. Die Leistungsfähigkeit seiner angewandten wie praxisorientierten Forschungen wurde Strohbeck und seinen Kollegen auch schon international bestätigt.
Das Ulmer Team siegte zuletzt bei der „Argoverse Challenge“ im Bereich „Motion Forecasting“ (Anm. Bewegungsvorhersage), einem internationalen Wettbewerb. Für das „Motion Forecasting“ mussten die Algorithmus-Modelle der Bewerbsteilnehmer möglichst gute Prognosen über das Abbiegeverhalten von Fahrzeugen an Kreuzungen treffen. Bei diesem Sieg konnte sich die Universität Ulm auch gegen so renommierte US-Universitäten wie Johns Hopkins oder dem Massachusetts Institute of Technology (MIT) durchsetzen.