RESIST II

Resilienzbewertung von Wahrnehmungs- und Planungsansätzen in kooperativ interagierenden Automobilen bei unerwarteten Störungen

01.01.2018 bis 30.06.2023

Die funktionale Sicherheit von vollautomatisierten und autonomen Fahrzeugen ist eine der wesentlichen Herausforderungen der kommenden Jahre. Ein vollautomatisiertes Fahrzeug muss dabei nicht nur unter idealen Bedingungen, sondern auch im Falle unvorhersehbarer Situationen stets in einem sicheren Fahrzustand verbleiben. Der Einsatz von kooperativ interagierenden Strategien verkompliziert die Sicherstellung einer ausreichenden Resilienz gegen diese unvorhersehbaren Situationen und unerwarteten Störungen zusätzlich. Um ein Fahrzeug mit vollautomatisierten Fahrfunktionen gemäß ISO 26262 zu qualifizieren, muss es nach derzeitigem Stand eine Milliarde Testkilometer auf der Straße absolvieren.

Der Antrag zielt darauf ab anstatt realer Testfahrten einen signifikanten Anteil in einen simulationsgestützten Verifikationsprozess vorzuverlagern und damit eine frühzeitige Resilienzbewertung zu ermöglichen. Die Vorteile gegenüber Realfahrten sind neben der erheblichen Zeit- und Kostenersparnis, die Möglichkeit unterschiedlichste Umgebungsbedingungen in ihrer Parametervielfalt zu explorieren, um gezielt Grenzsituationen aufzudecken. Dabei sollen kooperative Wahrnehmungsverfahren und deren Resilienzbewertung unter variierenden Umgebungs- und Sensoreinflüssen erforscht werden.

Die kooperativen Wahrnehmungsverfahren sollen die verminderte Erkennungsraten von verschiedenen Algorithmen und Sensortypen unter unterschiedlichen Umgebungsbedingungen ausgleichen. Neben der Kamerasensorik soll zusätzlich die Radarsensorik in die Untersuchungen einbezogen und um ein fahrzeugübergreifendes Objekt-Tracking ergänzt werden.

Die Resilienzbewertung wird um weitere schwierig zu modellierende Umgebungsbedingungen ergänzt. Dabei sollen neue Ansätze erforscht werden, wie Gischt, Schneefall und Nebel in ihrer Parametervielfalt modelliert und simuliert werden können. Zusätzlich werden die Auswirkungen der unterschiedlichen Umgebungsbedingungen auf Wahrnehmungs-, Prädiktions- und Planungsalgorithmen unter verschiedenen Fahrszenarien untersucht.

Zur Evaluierung der Verfahren werden im Nachgang geeignete Metriken untersucht. Einerseits wird die Güte der fahrzeugübergreifenden Fusion bewertet, andererseits wird eine Safety-Metrik entwickelt, die nicht nur auf die Präzision der Detektion eingeht, sondern auch darauf, wie gefährlich ein erkanntes Objekt dem eigenen Fahrzeug werden könnte.

Ein weiteres Ziel ist die nachhaltige Verbesserung des Trainings lernbasierter Wahrnehmungsverfahren unter variierenden Umgebungsbedingungen, da derzeit die Trainingsdatensätze meist als Aufnahmen unter Idealbedingungen vorliegen und Sonnenschein im realen Betrieb nicht vorausgesetzt werden kann. Deshalb wollen wir mit Hilfe der oben genannten Verfahren die Datensätze systematisch erweitern und die entsprechenden neuronalen Netze mit diesen größeren Datensätzen trainieren.