Die Wahrscheinlichkeit, dass Fußgänger in einer Einkaufsstraße von beiden Seiten gleichzeitig auf die Straße laufen, ist an einem Werktag um 15:00 Uhr wesentlich höher als an einem Sonntag. Ein aufmerksamer, rücksichtsvoller Fahrer weiß um diese Zusammenhänge, schätzt ab, welche der beiden Situationen gerade wahrscheinlicher ist und passt seinen Fahrstil entsprechend an. In der ersten beschriebenen Situation würde ein aufmerksamer Fahrer proaktiv die Geschwindigkeit verringern, um zu verhindern, dass eine gefährliche Situation oder gar ein Unfall entsteht. Diese dynamische Risikobewertung stellt eine wesentliche Funktion zukünftiger autonomer Fahrzeuge dar, für deren Entwicklungs- und Absicherungsprozesse den OEMs und Zulieferern aktuell noch entsprechende Testszenarien fehlen.
Im Projekt RELAI werden wir diese Herausforderung folgendermaßen angehen:
Dieser Algorithmus ist das Herzstück von RELAI: Durch KI-basiertes Analysieren von Testdaten aus Realverkehr und Simulationen werden generische Testszenarien identifiziert und nur die relevanten Varianten dieser Testszenarien erschaffen. Dadurch ist die Berücksichtigung der Kontextparameter – mit Fokus auf den Erwartungen der anderen Verkehrsteilnehmer –ein Schlüsselfaktor beim Erstellen aussagekräftiger Testszenarien, die bei der Entwicklung und Absicherung von autonomen Fahrfunktionen von Nutzen sind.
Die verallgemeinerten variantenreichen synthetischen Testszenarien des Projekts RELAI werden im Testszenarien-Katalog gebündelt. Die dadurch entstehende Datenbank ist eines der Hauptergebnisse des Projekts und unterstützt OEMs und Zulieferer dabei, zukünftige autonome Fahrfunktionen effizient zu entwickeln und zu validieren.
Der RELAI Testdaten-Analysator erlaubt den Zugriff auf die Testszenarien von RELAI. Der Analysator unterstützt die Nutzerinnen und Nutzer dabei, die für ihre Fragestellungen und Entwicklungsaufgaben relevanten Szenarien zu finden (beispielsweise braucht es zur Prüfung eines Spurhalteassistenten bestimmte Prüfparameter). Darüber hinaus können die Nutzerinnen und Nutzer eigene Versuchsdaten aus Simulationen oder Realverkehr hochladen, und der Analysator prüft, welche Bereiche aus dem Testszenarien-Katalog von RELAI durch diese Versuchsdaten bereits vollständig abgeprüft und welche Testszenarien in den Daten noch nicht berücksichtigt wurden.
Automatisiertes Beschriften der entwickelten Anwendungsblocks
Ziel des automatisierten Labelns von/Beschriften in RELAI ist es, unterschiedliche Verkehrsteilnehmer zu erkennen und deren Trajektorien (Bewegungspfad) zu bestimmen. Ein zentraler Bestandteil dieses Building Blocks / dieser Anwendung ist dabei die automatisierte Berücksichtigung aktueller Datenschutzbestimmungen.
Über verschiedene Sensoren (Bewegung, Gesten mit den Händen, Kopfbewegungen, Zielpunkt der Aufmerksamkeit etc.) erfasst der RELAI VR-Fußgängersimulator Daten zur körperlichen Aktivität von Fußgängern. Dies geschieht, um das aktuelle Fußgängerverhalten auf den Avatar in der Simulation zu übertragen und das zukünftige Fußgängerverhalten antizipieren zu können. Besonderes Augenmerk liegt im Projekt RELAI darauf, die Erwartungshaltung der Fußgänger an das autonome Fahrzeug in unterschiedlichen Situationen zu untersuchen.
In RELAI wird ein Erwartungsmodell generiert, welches die Erwartungen verschiedener Verkehrsteilnehmer in unterschiedlichen Testszenarien beschreibt. Das Erwartungsmodell basiert neben Daten aus Fußgängerstudien, die im Rahmen des Projekts durchgeführt werden, auf zusätzlichen Simulations- und Realverkehrsdaten. Das Erwartungsmodell nutzen wir im Projekt, um ein sicheres Verhalten von Fahrzeugen und Verkehrsteilnehmern abhängig vom Fahrkontext/der Verkehrssituation bewerten zu können.
