Schwerpunkte

Autonomes Fahren im Test

Kilometer schrubben 4.0

18. Dezember 2020, 07:30 Uhr   |  Autor: Peter Gitzel / Redaktion: Diana Künstler | Kommentar(e)


Fortsetzung des Artikels von Teil 1 .

Altbewährte Testansätze greifen zu kurz

Prinzipiell benötigen Machine-Learning- und Deep-Neural-Networks-basierte Systeme andere Testansätze als eine traditionelle Software. In der klassischen Software-Welt wird mit einem Testalgorithmus ermittelt, ob eine Applikation ein zuvor definiertes Problem löst. In der Welt des autonomen Fahrens hingegen besteht die Aufgabe darin, dass neuronale Netze eine bestmögliche Lösung in einer bestimmten Situation selbstständig finden müssen. Das heißt, der zu testende Algorithmus steht nicht per se fest. Für die Absicherung ist dadurch eine Umstellung von prozeduralen Algorithmentests auf daten- und szenariogestützte Testmethoden mit großen Datenmengen aus verschiedenen Sensorsystemen wie GPS, Lidar (englisch für „light detection and ranging“), Kamera, Radar und Ultraschall erforderlich.

Um Trainings- und Wahrnehmungslücken der zugrundeliegenden neuronalen Netze zu finden, sind Guided-Simulationen erforderlich, die sich auf sehr große Mengen annotierter und klassifizierter Daten aus Testfahrten stützen. Bei der Annotation werden die Daten um zusätzliche Informationen angereichert, mit denen im Test die Korrektheit der Entscheidungen des neuronalen Netzwerks überprüft werden kann. Idealerweise werden ein flexibles, parametrisierbares Testszenario-Design und die Testautomatisierung mit komplexen Big-Data-Analytics-Methoden kombiniert, um die Testabdeckung und das Testverifikations-Reporting zu gewährleisten.

Ein Meer an Datenquellen

In einer Simulations- und Real-Life-Testumgebung sollten unter anderem Daten aus den Testfahrzeugen von Autoherstellern genutzt werden. Diese Sammlung enthält unzählige Videosequenzen von realen Testfahrten unter den unterschiedlichsten Fahrbedingungen. Außerdem ist es von Vorteil, für eine Real-Life-Testumgebung die gleiche Open-Source-Datenplattform einzusetzen, an die auch die führenden europäischen Autohersteller wie BMW, Daimler und VW angedockt haben. Der Datensatz der Plattform enthält RGB-Videos mit hochauflösenden Bildern, pixelgenaue Annotation, 3D-Lidar-Punkte mit semantischer Segmentierung, stereoskopische Aufnahmen und Panoramabilder. Mit Hilfe dieser Plattform lassen sich beispielsweise durch Anbieter Testfallkataloge für das autonome Fahren inklusive realitätsnaher Testdaten erstellen. Autohersteller und Zulieferer könnten den Testkatalog im Umkehrschluss entweder als vorgefertigte Lösung für ihre individuellen und länderspezifischen Anforderungen nutzen oder die Lösung in einer eigenen privaten oder hybriden Cloud-Umgebung installieren. Damit sind sie in der Lage, ihre autonomen Fahrzeuge abzusichern und können diese schneller und sicherer für den weltweiten Einsatz vorbereiten.

Peter Gitzel ist Product Owner Autonomous Driving bei CGI

Seite 2 von 2

1. Kilometer schrubben 4.0
2. Altbewährte Testansätze greifen zu kurz

Auf Facebook teilen Auf Twitter teilen Auf Linkedin teilen Via Mail teilen

Das könnte Sie auch interessieren

Verwandte Artikel

funkschau