Autonomes Fahren

Das richtige Einschätzen von Risiken und die Vorhersage der Fahrsituation sind der Schlüssel für sicheres und komfortables Autofahren. Dies gilt sowohl für konventionelle Fahrzeuge, die z.B. mit Abstands- und Spurhalte-Assistenzsystemen und Staupilot ausgestattet sind, als auch für vollständig autonom fahrende Fahrzeuge.
‍
Die von EDI als Lösung für autonomes Fahren trainierte und implementierte KI verwendet ein von uns entwickeltes Dynamik Risk Management (EDI-DRM). Um eine angemessene Geschwindigkeit und Strategien für unterschiedliche Fahrsituationen zu entwicklen, bezieht das EDI-DRM das aktuelle Verkehrsaufkommen, die Wetterbedingungen und fahrzeugspezifische Zustände mit in die Berechnungen ein und passt diese auch an die vorhandene Infrastruktur an.
‍
Abhängig von den äußeren Bedingungen, dem Zustand des Fahrzeugs und dem Wunsch der Passagiere sind die angemessene Geschwindigkeit und der richtige Sicherheitsabstand als „Safety Cushion“ essenziell, um wohlbehalten ans Ziel zu kommen. Durch die Kombination aus DRM und Safety Cushion stellt EDI unterschiedliche Mobilitätslösungen für das Autonome Fahren und sicheres Navigieren bereit.
Als Teil des AnRox-Forschungsprojektes sind wir zusammen mit Bosch, Mercedes Benz, Siemens, Infineon und vielen weiteren Partnern an der Entwicklung eines autonom fahrenden Robotertaxis beteiligt. Unser Beitrag ist mit dem EDI-DRM ein smarter Intelligenzlayer. Bei kritischen Systemzuständen des Fahrzeugs entwirft dieser Intelligenzlayer abhängig von der Fahrsituation eine Lösungsstrategie, damit die Passagiere des Robotertaxis zu jedem Zeitpunkt in Sicherheit sind. Auf die jeweilige Verkehrssituation angepasst, kommen dabei je nach Strecke unterschiedliche Strategien zum Einsatz.
‍
Effiziente Entwicklung und Einführung von automatisierten Fahrfunktionen und Algorithmen durch virtuelle Zertifizierung (TÜV)
‍Unsere Incident-Detector-Applikation kann kritische Szenarien in Verkehrsdaten und schwache Sensorsignale des Fahrzeugs, z.B. der Kameras, automatisch evaluieren und in eine Simulationsdatei (OpenScenario) überführen. Damit wird die Entwicklung und Erprobung von automatisierten Fahrfunktionen und Algorithmen anhand realer Szenarien im Straßenverkehr in mehrfacher Echtzeit und in großer Variation ermöglicht. Hierzu wird sowohl das Fahr- und Sensorverhalten, als auch das Verhalten der anderen Verkehrsteilnehmer mit einer Kombination verschiedener Algorithmen aus dem Bereich des Maschinellen Lernens (autoML) bewertet. Die Ergebnisse sind virtuelle Trainings- & Prüfszenarien zum Testen des Fahrverhaltens von automatisierten Fahrfunktionen und autonom fahrenden Fahrzeugen.