Das Validieren autonomer Fahrzeuge stellt eine Schlüsseldisziplin der aktuellen Automobilforschung dar. Neben dem sich daraus ergebenden Vertrauen der Öffentlichkeit und der Kunden, stellt diese auch eine rechtliche Relevanz dar. Eine statistisch signifikante Demonstration, dass ein autonomes Fahrzeug 20% weniger Verkehrstote verursacht als der durchschnittliche deutsche Fahrer, würde mehr als 10 Milliarden gefahrene Kilometer voraussetzen (Abb. 1). Das Einfahren einer solchen Strecke ist wirtschaftlich nur schwer realisierbar. Hier wird häufig auf szenarienbasierte Ansätze zurückgegriffen. Dazu werden lediglich repräsentative Szenarien getestet. Das Identifizieren von repräsentativen, relevanten und wichtigen Szenarien leistet einen Beitrag zur Reduzierung des Testaufwands. Zusätzlich reduziert eine solche Erkennung den erforderlichen Speicherbedarf für aufgenommene Daten massiv. Das Ziel dieses Projekts ist es, mittels regelbasierter Methoden und unüberwachter maschineller Lernverfahren, neue und relevante Szenarien zu identifizieren.
Methoden des Unsupervised Machine Learnings für die Auswahl relevanter Verkehrsszenarien beim autonomen Fahren
MEMBER IN THE JOINT ACADEMIC PARTNERSHIP
since
Prof. Dr. Michael Botsch
Forschungsschwerpunkte:
- Methoden des maschinellen Lernens für das sichere automatisierte Fahren
- Aktive und integrale Fahrzeugsicherheit
- Trajektorienplanung.
Webseite an der THI: https://www.thi.de/elektro-und-informationstechnik/personen/prof-dr-ing-michael-botsch
Projects:
- Interaktionsbasierte Trajektorienprädiktion zur zuverlässigen Kollisionvermeidung für Sicherheitsfunktionen (ITraKS)
- Methoden des Unsupervised Machine Learnings für die Auswahl relevanter Verkehrsszenarien beim autonomen Fahren
- Towards the Validation of Machine Learning Algorithms by Diversity
- Absicherungsfähigkeit und Interpretation von maschinellen Lernverfahren für automatisiertes Fahren durch Entwurf (Validation by Design)
- Forschungsprojekt »Sichere Unfallprognose – Situationsinterpretation«
- Hybrid Statistical Learning Methods for Embedded Implementation of Vehicle Safety Functions (HySLEUS)
- Erprobungssystematik für automatisiertes Fahren
- Interpretable AI-based Representations for Prediction Tasks in Automated Driving
- Open-Set recognition for infrastructure based perception systems
Prof. Dr. Wolfgang Utschick
Professur für Methoden der Signalverarbeitung
Fakultät für Elektrotechnik und Informationstechnik
Technische Universität München
Forschungsschwerpunkte:
- Signal processing
- Signal optimization
- Information theory
Projects:
- Forschungsprojekt »Sichere Unfallprognose – Situationsinterpretation«
- Hybrid Statistical Learning Methods for Embedded Implementation of Vehicle Safety Functions (HySLEUS)
- Absicherungsfähigkeit und Interpretation von maschinellen Lernverfahren für automatisiertes Fahren durch Entwurf (Validation by Design)
- Towards the Validation of Machine Learning Algorithms by Diversity
- Methoden des Unsupervised Machine Learnings für die Auswahl relevanter Verkehrsszenarien beim autonomen Fahren
- Interaktionsbasierte Trajektorienprädiktion zur zuverlässigen Kollisionvermeidung für Sicherheitsfunktionen (ITraKS)
- Interpretable AI-based Representations for Prediction Tasks in Automated Driving
- Open-Set recognition for infrastructure based perception systems
Jonas Wurst
Technische Hochschule Ingolstadt
Publikationen und Poster
Jonas Wurst; Lakshman Balasubramanian; Michael Botsch; Wolfgang Utschick, 06/2022, Expert-LaSTS: Expert-Knowledge Guided Latent Space for Traffic Scenarios, Aachen, Germany, DOI:10.1109/IV51971.2022.9827187
Lakshman Balasubramanian; Jonas Wurst; Robin Egolf; Michael Botsch; Wolfgang Utschick; Ke Deng, 10/2022, ExAgt: Expert-guided Augmentation for Representation Learning of Traffic Scenarios, Macau, China, DOI:10.1109/ITSC55140.2022.9922453
Kruber F., Balasubramanian L., Wurst J., Botsch M., 09/2021, „Methodische KI-Ansätze zur Identifizierung von relevanten Verkehrsszenarien“, Ingolstadt, Konferenz: Safety Assist 2021
Wurst J, Balasubramanian L, Botsch M und Utschick W, Novelty Detection and Analysis of Traffic Scenario Infrastructures in the Latent Space of a Vision Transformer-Based Triplet Autoencoder, Nagoya, Japan (Online), DOI: 10.1109/IV48863.2021.9575730, Konferenz: 2021 IEEE Intelligent Vehicles Symposium (IV)
Wurst, J., Flores Fernández, A., Botsch M., Utschick, W., 2020, An Entropy Based Outlier Score and its Application to Novelty Detection for Road Infrastructure Images. IEEE Intelligent Vehicles Symposium, Las Vegas 2020, DOI: 10.1109/IV47402.2020.9304733, Peer-Reviewed
