ALADIN

 

Aktives Lernen zur Automatisierten Datenverarbeitung für energIeeffiziente FahrfunktioneN

 

Die Automatisierung von Fahrzeugen kann durch vorausschauende Fahrstrategie und prädiktive Antriebsstrangregelung einen Beitrag zur energieeffizienten Mobilität leisten. Die Qualität der Fahrfunktionen hängt dabei stark von der Güte der zum Training und Validierung genutzten Datensätze ab, sodass immer größere Mengen an realen Fahrdaten kontinuierlich gesammelt und anwendungsspezifisch vorverarbeitet werden. Aufgrund der extremen Datenmenge ist eine manuelle Auswahl der relevanten Daten aus den gesamten Messdaten zunehmend impraktikabel. Neben einem hohen Zeit- und Kostenaufwand, erhöhtem Bedarf an Testfahrten sowie längeren Entwicklungszyklen wird somit auch das Potential der Fahrzeugautomatisierung hinsichtlich Sicherheit und Energieeffizienz nur unvollständig ausgeschöpft. Die intelligente, automatisierte Datenvorverarbeitung gewinnt daher gerade aufgrund der starken Zunahme an datengetriebenen Algorithmen an Bedeutung.

Aktives Lernen als Ansatz zur automatisierten Datenkuration hat das Potential, ohne menschliches Expertenwissen relevante Fahrdaten zu identifizieren. Die Methode basiert auf der kontinuierlichen Anwendung bestehender Prädiktions- oder Perzeptionsalgorithmen auf die gemessenen Sensordaten, wobei die Vorhersagen der Algorithmen permanent mit den realen Messdaten abgeglichen werden. So werden Fahrszenarien, bei denen hohe Abweichungen auftreten, als informative Daten identifiziert.

Im Rahmen des Projektes ALADIN soll Aktives Lernen exemplarisch im Kontext der Verkehrsprädiktion während der Datenerfassung im Fahrzeug eingesetzt werden. Dazu wird ein Testfahrzeug mit Umfeldsensorik und einem programmierbaren Datenlogger ausgestattet, auf dem die Prädiktionsmodelle sowie die Algorithmen zum Aktiven Lernen implementiert werden. Zur abschließenden Bewertung werden sowohl manuell als auch durch Aktives Lernen ausgewählte Datensätze zum Training des Prädiktionsmodells genutzt und die Performance der resultierende Modelle verglichen.

 

Fördergeber

MWIDE