Die Motivation des Forschungsvorhabens liegt in der Integration autonomer Echtzeitanwendungen in reale Einsatzszenarien, in denen zuverlässige und effiziente Verfahren erforderlich sind. Im Zentrum steht die Herausforderung, KI-basierte Messsysteme so zu gestalten, dass ihre Vorhersagen nicht nur genau, sondern auch hinsichtlich ihres Vertrauensniveaus interpretierbar und belastbar sind.
Das Ziel besteht darin, die Zuverlässigkeit und Effizienz einer Anwendung zur ökonomischen Ermittlung des Straßenzustands zu optimieren. Der praktische Rahmen hierfür ist die Entwicklung eines mobilen Messsystems zur automatisierten Erfassung von Straßenschäden. Das System kombiniert Solid-State-LiDAR, Kameras und Inertial Measurement Units (IMU), um relevante Substanzmerkmale der Straßenoberfläche zu erfassen.
Von besonderem Interesse sind die interpretierbare Bewertung der Modellkonfidenz, die Sensitivitätsgrenzen der eingesetzten Modelle sowie deren Verhalten unter Störeinflüssen. Es wird die These verfolgt, dass durch das Verständnis dieser Grenzen Substitutionsszenarien identifiziert werden können, die zu einer gesteigerten ökonomischen Effizienz des Gesamtsystems beitragen. Dazu zählen sowohl Optimierungen der Modellkalibrierung als auch die effiziente Umsetzung leichtgewichtiger Modellvarianten für ressourcenbeschränkte Plattformen.
Das Vorhaben leistet damit einen Beitrag zur Entwicklung zuverlässiger KI-basierter Messsysteme und adressiert ein zentrales Problem moderner Modelle: die Lücke zwischen hoher Vorhersagegenauigkeit und tatsächlich praxistauglicher Vertrauenswürdigkeit ihrer Ergebnisse.
