Problemstellung

Zur Freigabe eines automatisierten Fahrzeugs muss dessen Sicherheit in relevanten kritischen Szenarien nachgewiesen werden. Dabei spielen insbesondere selten auftretende Edge Cases, also Grenzfälle, eine wichtige Rolle. Zur Erfassung dieser eignen sich insbesondere Verkehrskameras, da sie eine Langzeitbeobachtung des Verkehrs ermöglichen. Für die Extraktion der Szenarien aus den Aufnahmen sind jedoch neuartige Bildverarbeitungsverfahren notwendig, die die geforderte Genauigkeit einer Rekonstruktion erzielen.

Ergebnisse und Wirkung

Im Kooperationsprojekt ScenarioEye wurde eine skalierbare Signalverarbeitungskette entwickelt, um Verkehrsszenarien hochgenau in 4D (3D im Raum, 1D in der Zeit) zu rekonstruieren und diese für das Testen und Validieren automatisierter Fahrfunktionen zu nutzen. Hierzu wurden unter Anwendung neuartiger Bildverarbeitungsverfahren, wie beispielsweise Deep Learning, Algorithmen zur Rekonstruktion der statischen Szene, Kalibrierung der Kamera und Extraktion aller bewegten Objekte aus dem Bild entwickelt.

Die neu aufgebaute Signalverarbeitungskette konnte erfolgreich anhand von mehreren Stunden Aufnahmen deutscher Autobahnen demonstriert werden. Dieser Durchbruch verspricht die Skalierbarkeit der Algorithmen auf beliebige Verkehrskameras weltweit, wodurch sich neuartige Möglichkeiten für die Datenerfassung zum Testen, Entwickeln und Validieren automatisierter Fahrzeuge ergeben. Die im Forschungsprojekt entwickelte Technologie findet auch in anderen Bereichen Anwendung, wie beispielsweise in der Überwachung von Parkplätzen. Mit Abschluss des Projekts stehen nun marktreife Methoden zur Verfügung, die die Testmöglichkeiten automatisierter Fahrzeuge maßgeblich erweitern.