Bergische Uni Wuppertal Ziel: Automatisiertes Fahren sicherer machen
Wuppertal · Im Rahmen des Projekts RELiABEL forschen Wissenschaftlerinnen und Wissenschaftler der Bergischen Uni daran, die Interpretation von Bilddaten für das automatisierte Fahren künftig zuverlässiger zu gestalten.
Bilder, die nicht hochauflösend genug aufgenommen wurden (rechte Hälfte), sowie Bilder, in denen Beschreibungen, sogenannte Annotationen, fehlen (linke Hälfte), sind als Trainingsdaten für eine KI ungeeignet, da sie zu falschen Rückschlüssen und somit Fehlverhalten führen können.
Foto: Bergische Uni/ProjektabbildungOhne KI ist automatisiertes Fahren nicht möglich: Videokameras nehmen die Umgebung des Fahrzeugs auf, eine künstliche Intelligenz interpretiert die Daten und trifft eine Entscheidung: bremsen, weiterfahren, abbiegen. Je besser eine KI die Umgebungsdaten versteht, desto sicherer ist ihr nächster Schritt.
Hier setzt das vom Bundesministerium für Bildung und Forschung geförderte Projekt RELiABEL an: Gemeinsam mit dem Technologie-Startup QualityMatch GmbH aus Heidelberg erforschen Wissenschaftlerinnen und Wissenschaftler der Bergischen Universität Wuppertal Methoden, um Bilddaten für das automatisierte Fahren zuverlässig zu kennzeichnen.
„Damit die Technologie, die im Auto steckt, mit dem im Verkehr aufgenommenen Bild etwas anfangen kann, muss sie zuvor trainiert worden sein. Das passiert mit zahlreichen gekennzeichneten – wir sprechen dabei von annotierten – Bildern, in denen auf Metadatenebene zum Beispiel Ampeln als Ampeln und Verkehrszeichen als Verkehrszeichen beschriftet sind“, erklärt Projektleiter Dr. Matthias Rottmann von der Bergischen Universität.
Herausforderungen, mit denen es die Forscherinnen und Forscher beim automatisierten Fahren zu tun haben, sind unter anderem Bilder, die von der Kamera nicht hochauflösend genug aufgenommen und gespeichert wurden und der Bildinhalt somit nicht eindeutig zu bestimmen ist, sowie Annotationen, die manuell vom Menschen vorgenommen werden, da sie eine ermüdende und monotone Tätigkeit darstellen. Beide Fälle sind Quellen für ungenaue oder fehlerhafte Kennzeichnungen.
Das Konsortium arbeitet nun an Methoden, mit denen sich Daten effizient und gleichzeitig zuverlässig beschreiben lassen. Dabei werden einerseits Datenpunkte in den Bildern mehrfach gekennzeichnet, andererseits werden durch mathematische Verfahren manuelle Annotationen eingespart und zuverlässig ergänzt. „Das Forschungsvorhaben soll dazu beitragen, zuverlässige Daten für zuverlässige künstliche Intelligenz zu erhalten“, fasst Rottmann zusammen.
Das Verbundprojekt „RELiABEL“ wird vom BMBF mit rund 750.000 Euro im Rahmen der Bekanntmachung KI4KMU gefördert, die das Ziel verfolgt, kleine und mittelständische Unternehmen (KMU) insbesondere im Hinblick auf Digitalisierung sowie Nutzung von künstlicher Intelligenz weiterzuentwickeln.
