Fraunhofer-GesellschaftGeht es um die Mobilität der Zukunft, ist immer wieder das Stichwort »Autonomes Fahren« zu hören. Sitzt statt des Menschen die Künstliche Intelligenz am Steuer, muss dies allerdings ausreichend abgesichert sein – und im Idealfall sogar ein Plus an Sicherheit bringen, als dies bei menschlichen Fahrern der Fall wäre. Bisher werden die Daten, die man für das Etablieren neuer Fahrfunktionen und gegebenenfalls das Training der Künstlichen Intelligenz benötigt, größtenteils von Testfahrern generiert. Doch die Fahrfunktionen werden stetig umfassender: Abschätzungen zufolge wären mehr als 2,5 Milliarden Testkilometer allein für die Absicherung des autonomen Autobahnverkehrs nötig. Eine vielversprechende Lösung, um die Absicherung effizienter zu gestalten, bietet die realistische Simulation von Straßenverkehr. Dazu muss nicht nur der übliche Verkehr valide abgebildet werden, sondern auch seltener vorkommende Unfälle und ihre Entstehungsszenarien. Um dies sicherzustellen, müssen solche Simulationen datenbasiert optimiert werden. Doch gerade zur Entstehung von Unfällen und kritischen Szenarien ohne Unfallfolge existieren kaum Daten – kritische Szenarien lassen sich noch nicht valide identifizieren.
Forschende des Fraunhofer EMI adressieren beide Aspekte. Im Projekt KIsSME entwickeln sie einen Filter, der in der Lage ist, kritische Szenarien gezielt zu identifizieren und entsprechende Daten aufzunehmen. Dabei bezieht sich die Kritikalität auf verschiedene Aspekte des Verkehrs. Dazu wollen sie einzelne Metriken unterschiedlicher Komplexität, Eigenschaften und Skalen zu szenariobasierten Sets von Metriken zusammenführen und diese über einen einzelnen Kritikalitätswert abbilden. Prominente Vertreter sind Metriken der Zeitskala, wie die Time-to-Collision oder der räumlichen Skala wie der Distanz zwischen Verkehrsteilnehmern. Im Projekt AVEAS entwickelt das Fraunhofer EMI unter anderem Verfahren zur datenbasierten Optimierung von Verkehrsflusssimulationen.
