Der Fortschritt des jbDATA Smart Data Loops und die neuesten Forschungsergebnisse aus dem Projekt wurden am 12./13.6.24 von den Projektpartnern präsentiert.
Beim 3. Konsortialtreffen von just better DATA kamen alle Projektpartner in Karlsruhe beim FZI zusammen, um die neuesten Forschungsergebnisse auszutauschen, zukünftige Schritte zu planen und Herausforderungen auf der Projekt-Roadmap zu diskutieren. Im Fokus standen der jbDATA Smart Data Loop, innovative Ansätze zur Integration von Sensoren, die Verbesserung der Datenqualität durch Kombination von realen und synthetischen Datensätzen sowie die Entwicklung intelligenter Auslöser für die Aufzeichnung relevanter Straßenszenarien.
Das Meeting gab unter anderem ein Update zum aktuellen Stand des jbDATA-Projekts. Mit großem Engagement und interdisziplinärer Zusammenarbeit hat das Projekt erste, beeindruckende Forschungsergebnisse erzielt, die das Potenzial haben, die Zukunft intelligenter Verkehrssysteme grundlegend zu verändern.
Das jbDATA-Projekt zielt darauf ab, eine fortschrittliche Demonstrationsumgebung zu entwickeln, die sowohl synthetische als auch reale Daten aller Partner integriert. Drei Fahrzeuge der Partner sammeln reale Daten, während ein weiteres Team diese Daten mit synthetischen Inputs kombiniert, um den jbDATA Smart Data Loop zu ergänzen. Es wird intensiv geforscht, um Auslöser für die Aufzeichnung relevanter Straßenszenarien zu identifizieren, wie beispielsweise Corner Cases und konkrete Wetterbedingungen.
Die Anbindung der Sensoren in den aufnehmenden Fahrzeugen erfordert sorgfältige Planung hinsichtlich der Hardware-Positionierung, Montage und Kabelführung. Wie LiDAR, Radar und Kameras integriert werden können, wird im späteren Projektverlauf erörtert. Ebenso soll besprochen werden, wie eine Echtzeitaufzeichnung mit einheitlichem Zeitstempel über verschiedene Systeme hinweg, um den kohärenten Betrieb des Fahrzeugs sicherzustellen, aussehen kann. Die Aufzeichnung kann durch die Erkennung und Vorhersage von Unsicherheiten ausgelöst werden, wie z.B.: kritische Bildsituationen und Sensoranomalien. Die jbDATA-Fahrzeuge von AVL, b-plus, dem FZI , der THD und Valeo werden ausgerüstet, um diese Methoden anwenden zu können.
In jbDATA wird eine einheitliche containerisierte Umgebung auf Basis von ROS2 (Robot Operating System) aufgebaut, die die Basis für die Verarbeitung der Daten im Fahrzeug bildet. Die Umgebung ermöglicht es, die Hardwarebeschleunigung auf unterschiedlichen Systemen zu nutzen und damit die entwickelten Algorithmen möglichst effizient auszuführen. Diese Algorithmen sollen, basierend auf den aktuellen Sensordaten, in der Lage sein, ausgewählte Umgebungsbedingungen (z.B. Witterung) zu erkennen und die Aufzeichnung relevanter Daten auszulösen.
Eine genaue Kalibrierung der Sensoren im Fahrzeug ist entscheidend für Qualität der erzeugten Daten. Daher wird im Projekt eine mobile Einrichtung entwickelt, mit der die Kalibrierung der Sensoren schnell und effizient durchgeführt werden kann.
Bildaugmentationen erweitern das Trainingsset durch modifizierte Bilder, wodurch die Modellleistung verbessert wird. Der Vergleich von vielen Sequenzen unter verschiedenen Wetterbedingungen zielt darauf ab, umfassende Datensätze zu erstellen, die alle Szenarien abdecken, einschließlich unterschiedlicher Regenintensitäten und entsprechender Straßenverhältnisse. Diese Daten sind entscheidend, um Domänenlücken im Modelltraining zu schließen.
jbDATA konzentriert sich auf die Entwicklung fortschrittlicher Methoden zur Generierung synthetischer Daten, die speziell auf unterrepräsentierte Szenarien zugeschnitten sind. Durch die Schließung dieser Lücken erhöhen wir die Robustheit und Generalisierungsfähigkeit von KI-Modellen und stellen sicher, dass sie in vielfältigen realen Bedingungen effektiv arbeiten. Diese synthetischen Daten verbessern die Effizienz und Vollständigkeit von Trainingsdatensätzen und führen zu genaueren und zuverlässigeren KI-Vorhersagen. Letztendlich überbrückt die jbDATA Projektarbeit Datenmängel und fördert inklusivere und anpassungsfähigere KI-Systeme.
Als Teil des Smart Data Loop unterstützt die Metadatenspeicherung von jbDATA die Anreicherung von Labels, Annotationen und Attributen für maschinelle Lernszenarien. Mithilfe von APIs können Roh- und synthetische Daten kombiniert werden, um Bilder anzureichern, wobei eine Benutzeroberfläche das Filtern von Daten nach Tags wie Datum oder Fahrzeugtyp ermöglicht.
Das jbDATA-Projekt setzt weiterhin neue Maßstäbe in der Integration von Fahrzeugdaten und kombiniert synthetische und reale Daten für intelligentere und reaktionsfähigere Verkehrssysteme. Durch gemeinschaftliche Anstrengungen und modernste Technologie ist jbDATA bereit, die Zukunft des intelligenten Verkehrs maßgeblich zu beeinflussen.
Bilder: eict