Problemstellung

Die traditionelle Entwicklung der Algorithmen für autonome Fahrzeuge basiert auf der Dekomposition der Fahraufgabe in einzelne Module. Die Fahrzeugumgebung wird mit Kamera, LiDAR und Radar erfasst und diese Daten in einer Pipeline mittels unterschiedlicher Algorithmen verarbeitet. Dies erhöht die Gesamtkomplexität und steigert den Zeit- und Kostenaufwand. Außerdem erfordert dieser Ansatz eine manuelle Auswahl der Heuristiken, die möglicherweise nicht alle Szenarien abdecken. Eine mögliche Lösung dieser Nachteile ist der auf künstlicher Intelligenz basierender End-to-End Self-Driving Ansatz, der Kernthema dieses Forschungsprojektes ist.

Ziel

Das Ziel dieses Forschungsprojektes ist die Untersuchung, inwiefern der neuartige End-to-End Self-Driving Ansatz den modularen Ansatz ersetzen kann. Es soll ein Gesamtkonzept entwickelt werden, welches sowohl die laterale als auch longitudinale Fahrzeugsteuerung mittels neuronaler Netze übernimmt. Der konkrete Anwendungsfall ist das Platooning, bei dem mehrere Fahrzeuge mit geringem Abstand hintereinander fahren. Das Gesamtkonzept sieht vor, dass alle Fahrzeuge des Platoons autonom agieren und daher jeweils mit einem neuronalen Netz ausgestattet werden. Weiterhin soll untersucht werden, in welchem Maße Kommunikationstechnologien wie V2V effektiv eingesetzt werden können.

Durchführung

Zunächst soll die Grundstruktur des neuronalen Netzes entwickelt werden, welches mittels Kamerabildern als Eingang die Fahrzeugsteuerung prädiziert. Untersuchungen sollen zeigen, ob Teile dieses neuronalen Netzes aus bereits trainierten Netzen verwendet werden können (Transfer Learning). Die Grundstruktur soll an den konkreten Anwendungsfall Platooning angepasst werden. Das Training des neuronalen Netzes erfordert gelabelte Trainingdaten, die in einer Simulationsumgebung erstellt werden müssen. Abschließend soll die Generalisierungsfähigkeit der Gesamtstruktur untersucht werden.