Daten aus realen Verkehrsszenarien zu sammeln, zu speichern und weiterzuverarbeiten ist aufwändig, teuer und verbraucht sehr viel Energie. Hinzu kommt, dass die real eingefahrenen Daten oft fehlerhaft sind, Ungenauigkeiten enthalten oder eine Verzerrung aufweisen, die Maschinelles Lernen beeinträchtigt. Gefährliche Grenzsituationen im Verkehr kommen in Realdaten wiederum kaum vor, sind aber kritisch für die Verifizierung der KI-Modelle. Mit Hilfe synthetischer Daten können reale Daten so ergänzt und erweitert werden, dass relevante Daten und Datensets für das KI-Training entstehen können.

Vor diesem Hintergrund werden neuartige Technologien benötigt, die aus der großen Datenmenge, die während des Fahrens entsteht, hochpräzise, charakteristische und faire Datensätze in hoher Qualität extrahiert. Das Hauptziel des jbDATA-Projekts besteht darin, KI-basierte Methoden und Werkzeuge zu entwickeln und zu implementieren, um Daten effizient und mit hoher Genauigkeit zu sammeln. Neu ist, dass jbDATA die Datenbewertung in die Edge verortet, also in das aufnehmende Fahrzeug. Anstatt alle Daten wie bisher in die Cloud zu laden, werden aufgenommene Daten mittels des ebenfalls im Projekt zu entwickelnden Smart Data Loop vorverarbeitet, bewertet und für die Weiterverarbeitung und Speicherung sortiert: Daten werden anonymisiert auf Datenlücken analysiert und, wo notwendig, mit ebenfalls im Projekt zu entwickelnden Verfahren mit synthetischen Daten angereichert.

Mit Versuchsfahrzeugen im Projekt wird exemplarisch ein Datensatz eingefahren, der die Ausgangsbasis für ein vollumfängliches, industriell nutzbares Datenset bilden soll. Darüber hinaus plant jbDATA, den im Projekt erhobenen Datensatz für eine breite Nutzung in der Forschung auch jenseits des Konsortiums zugänglich zu machen.