Anfang Juli fand das fünfte Konsortialtreffen des Forschungsprojekts just better DATA statt – diesmal am AVL TechCenter in Bietigheim-Bissingen. Neben dem produktiven Austausch aller Projektpartner stand ein besonderes Highlight auf dem Programm: umfangreiche Recording-Sessions mit außergewöhnlichen Verkehrsszenarien.

Im Mittelpunkt standen dabei Situationen, die aktuelle KI-Modelle vor große Herausforderungen stellen: ungewöhnliches Fußgängerverhalten, unerwartete Hindernisse oder seltene Objekte im Straßenraum. Solche Anomalien und Corner Cases sind entscheidend, um Algorithmen für automatisiertes Fahren noch sicherer zu machen. Denn sichere autonome Mobilität bedeutet, auch auf seltene und überraschende Ereignisse zuverlässig reagieren zu können.

Dafür wurden drei Aufnahmeszenarien durchgeführt:

Szenario 1: Fußgängererkennung

Fußgänger zählen zu den am stärksten gefährdeten Verkehrsteilnehmenden. Ihre Bewegungen sind oft unvorhersehbar – besonders in urbanen Umgebungen. Die zuverlässige Erkennung ist daher essenziell für automatisierte Fahrfunktionen.

Szenario 2: Unbekannte Objekte

Im realen Straßenverkehr tauchen immer wieder Dinge oder Situationen auf, mit denen ein automatisiertes Fahrzeug nicht rechnet. Denn autonome Fahrzeuge müssen nicht nur typische Verkehrssituationen meistern, sondern auch auf das Unerwartete vorbereitet sein. Die Fähigkeit, ungewöhnliche oder bislang unbekannte Objekte zu erkennen und angemessen darauf zu reagieren, ist ein zentraler Baustein für Sicherheit und Vertrauen in automatisierte Mobilität.

Szenario 3: Fahrradinteraktion

Fahrradfahrer stellen eine besondere Herausforderung dar: Sie sind schnell, können die Richtung abrupt ändern und sind teilweise verdeckt. Zudem gelten sie als besonders schützenswerte Verkehrsteilnehmende. Die KI muss sie nicht nur zuverlässig erkennen, sondern auch die Fahrwege korrekt einschätzen und einen sicheren Abstand einhalten – selbst bei komplexen Szenarien wie Überholmanövern oder plötzlichem Abbiegen.

Die Aufnahmen werden im Projekt in die Entwicklung von Methoden zur präzisen, kontextbezogenen Erkennung von Verkehrsteilnehmenden und Hindernissen einfließen – auch unter variierenden Bedingungen. Die gewonnenen Daten helfen, Schwachstellen frühzeitig zu identifizieren und die Robustheit der Detektionsmethoden zu erhöhen. Besonders wertvoll ist dabei die Vielfalt der Sensor-Setups der Projektpartner, die unterschiedliche Perspektiven und Datenqualitäten liefern.

Ein kleiner Einblick in das zweite Szenario:

Fotos: EICT & AVL

Video: EICT