Projektname

KIsSME

KIsSME-Projekt auf einen Blick: https://www.kissme-projekt.de/

Projektzeitraum 

2021 – 2023

Nach drei Jahren intensiver Zusammenarbeit konnten die Projektpartner das Forschungsprojekt KIsSME erfolgreich abschließen. Ziel von KIsSME war es, künstliche Intelligenz zur selektiven echtzeitnahen Aufnahme von Szenarien- und Manöverdaten bei der Erprobung hochautomatisierter Fahrzeuge zu nutzen.

Durch die gezielte Filterung der Sensor- und Umfelddaten auf tatsächlich sicherheitsrelevante Fahrsituationen konnten irrelevante Daten eliminiert und Datenmengen deutlich reduziert werden. Diese Datenreduktion führte zu merklichen Effizienzsteigerungen bei der anschließenden Auswertung der Testfahrten.

RA Consulting hat für KIsSME u.a. einen KI-Algorithmus entwickelt, der kontinuierlich trainiert wurde, um Fahrsituationen möglichst zuverlässig nach ihrer Kritikalität bewerten zu können. Die Qualität dieser Kritikalitätseinschätzung ist entscheidend, um den Datenrecorder gezielt nur dann auszulösen, wenn sicherheitsrelevante Manöver oder Systemzustände vorliegen.

Wir danken unseren Partnern für die hervorragende Zusammenarbeit und dem Bundesministerium für Wirtschaft und Klimaschutz (BMWi) für die Förderung des Projektes.

Abschlussbericht KisSME

Detaillierte Infos zum Projekt

// Projektpartner
 
// Technologien

Entwicklung eines Systems zur zuverlässigen Kritikalitätsbewertung von Fahrsituationen

Fahrzeuge der Zukunft müssen in kürzester Zeit verlässliche Fahrentscheidungen treffen können. Das Herzstück des KIsSME Systems ist hierbei eine künstliche Intelligenz, deren Algorithmus so lange trainiert und dessen Parameter verbessert wird, bis der Kritikalitätswert zur Bewertung der Fahrsituation optimiert ist. Das Ziel ist es eine künstliche Intelligenz im Fahrzeug zu haben, die jede, auch unerwartete, Fahrsituation richtig bewertet.

Fahrzeuge der Zukunft müssen in kürzester Zeit verlässliche Fahrentscheidungen treffen können. Das Herzstück des KIsSME Systems ist hierbei eine künstliche Intelligenz, deren Algorithmus so lange trainiert und dessen Parameter verbessert wird, bis der Kritikalitätswert zur Bewertung der Fahrsituation optimiert ist. Das Ziel ist es eine künstliche Intelligenz im Fahrzeug zu haben, die jede, auch unerwartete, Fahrsituation richtig bewertet.

Übersicht der Kerntechnologien

  • Machine Learning (KI)

    Machine Learning wird genutzt, um Fahrsituationen automatisch zu bewerten und zu klassifizieren. Durch die Analyse von Daten können Algorithmen trainiert werden, um bestimmte Ereignisse wie Unfälle oder gefährliche Fahrmanöver zu erkennen.

  • Neuronale Netze (KI)

    Neuronale Netze können trainiert werden, um komplexe Muster in Daten wie Fahrverhalten und-Umgebung zu erkennen und zu bewerten. Durch die Verwendung von zufälligen Eingabesignalen können neuronale Netze in der Lage sein, unerwartete Situationen auf der Straße zu erkennen und deren Relevanz zu klassifizieren.

  • Data Management

    Eine effektive Datenvoranalyse ist entscheidend für die Bewertung von Fahrsituationen und die Identifizierung von Mustern und Trends in den Daten.

    Um eine erfolgreiche Datenvoranalyse durchzuführen, müssen die Daten gut organisiert und strukturiert sein, um sicherzustellen, dass die benötigten Informationen leicht zugänglich sind.

  • Simulationen

    Simulationen können genutzt werden, um KI-Systeme im Bereich der Bewertung von Fahrsituationen zu trainieren, ohne das Risiko von Unfällen oder Verletzungen zu erhöhen.

    Durch das Erstellen realistischer Simulationen können verschiedene Szenarien getestet werden, um zu sehen, wie das KI-System auf bestimmte Fahrsituationen reagieren würde.

// Fallstudie

Von oben nach unten: Autonomes Arbeitsgerät (AVL), Fahrzeugdemonstrator People Mover (Bosch) und autonomer PKW (FZI), deren Daten im Projekt prototypisch genutzt wurden.

Die Zukunft der Datenverarbeitung: Integriert, standardisiert, effizient

In der heutigen Welt gibt es keine Industrie oder Branche, die nicht von Daten angetrieben wird. Daten ermöglichen es Unternehmen, ihre Prozesse zu optimieren, ihre Produkte und Dienstleistungen zu verbessern und fundierte Geschäftsentscheidungen zu treffen. In der Automobilindustrie ist dies nicht anders. In den letzten Jahren hat die Menge an Daten, die in modernen Fahrzeugen erzeugt wird, stark zugenommen. Lidar-, Radar-, GPS- und Kameratechnologie erzeugen enorme Mengen an Daten, die es zu filtern und auszuwerten gilt (Software Defined Vehicle). Das Ziel von RA Consulting im KIsSME Projekt ist es zu zeigen, wie Unternehmen das Problem der erzeugten Datenmengen durch die Unterstützung einer künstlichen Intelligenz automatisiert reduzieren sowie relevante Daten filtern und auswerten können.

Ablaufplan bestehend aus Daten-Logging, Datenaufzeichnung und Tool zur Datenreduzierung.

Die Verarbeitung und Auswertung von Daten in modernen Fahrzeugen ist eine enorme Herausforderung. Eine der größten Herausforderungen besteht darin, die relevanten Daten in Echtzeit zu filtern, um dadurch nur Daten hoher Güte zu speichern und dadurch den Energieverbrauch sowie den Auswertungsaufwand gering zu halten. „Wann wird aufgezeichnet?“, „Was wird aufgezeichnet?“ und „Was passiert gerade?“ sind alles Fragen, die eine komplexe KI durch ständig neues Training in der Lage ist zu beantworten. Die Qualität die richtige Kritikalitäts- und Relevanzeinschätzung zu treffen ist hierbei Aufgabe, um kritische Fahrsituationen verlässlich zu bewerten und gegebenenfalls zu speichern.

Unser Fokus bei der Entwicklung einer Lösung liegt auf der Einbettung von Software in die Hardware von Fahrzeugen (OnBoard). Wir haben uns auf die Entwicklung von Systemen konzentriert, die es ermöglichen, Daten im Fahrzeug möglichst kompatibel weiterzuverarbeiten.

Wir haben auch an der Standardisierung von Datenformaten gearbeitet, um die Interoperabilität von verschiedenen Systemen zu verbessern.

Dies hat dazu beigetragen, die Effizienz und Genauigkeit der Datenfilterung und -auswertung zu verbessern.

Eine weitere Herausforderung besteht darin, die Menge an „Datenmüll“ zu reduzieren, die in modernen Fahrzeugen erzeugt wird. „Datenmüll“ sind Daten, die nicht relevant sind und nur unnötig Energie und Ressourcen verbrauchen. Wir verbessern unsere Aufzeichnungstechnologie, so dass nur relevante Daten aufgezeichnet werden. Wir haben hierfür eine Kritikalitätsmetrik entwickelt, die es Embedded-Systemen nicht nur ermöglicht Fahrsituationen richtig zu bewerten, sondern auch zu entscheiden, welche Daten aufgezeichnet werden sollen und welche nicht. Dadurch können wir die Menge an „Datenmüll“ erheblich reduzieren und die Effizienz der Datenfilterung und -auswertung verbessern. Über sogenannte OnBoard-Logger erfolgt dann die Datenübertragung der relevanten Daten auf eine Software auf dem Laptop, dem Desktop-PC (DiagRA® X) oder als digitaler Zwilling bzw. in die Cloud.

Unser Ansatz ist es ein Konzept für die Automobilindustrie von Morgen zu entwickeln. Der aktuelle Trend sind serviceorientierte Produkte, die aus mehreren Komponenten bestehen und deren Unterkomponenten wiederum als Services fungieren. Diese Komponenten könnten mithilfe von z. B. OSGi ähnlichen Architekturen in ein Gesamtsystem integriert werden. Durch die Verwendung von OSGi ähnlichen Architekturen könnten wir ein hochmodulares System schaffen, das es ermöglicht, einzelne Komponenten unabhängig voneinander zu aktualisieren oder auszutauschen. Dies würde dazu beitragen, die Flexibilität und Skalierbarkeit des Systems zu verbessern.

Wenn Sie ähnliche Projekte haben und Unterstützung bei der Datenverarbeitung und -auswertung benötigen, stehen wir Ihnen gerne zur Verfügung. Kontaktieren Sie uns jederzeit, um mehr über unsere Lösungen und unser Know-how zu erfahren.

Haben Sie Fragen zum Projekt?

Übersicht der Projektstruktur und Teilnehmer von KIsSME.

// Genutzte Werkzeuge
 
ZurückWeiter

Verwendete Funktionalität:
Eingebettete Diagnosekomponente

Zu DiagRA® Embedded

Verwendete Funktionalität:
MDF 4-Aufzeichnung

Zu DiagRA® X/DiagRA® X Viewer Pro

Verwendete Funktionalität:
Daten lesen und Format validieren

Zu OpenScenario API

Verwendete Funktionalität:
OnBoard Testskripte über emotive OTF

Zu Emotive OTX-Component

// Unser Beitrag

Was tragen wir zum
Forschungsprojekt bei?

Bild: icons8.com

Konzeption des On-Board-Systems

  • Spezifikation eines Referenz-Systems
  • Konzeption der Schnittstellen für Softwarekomponenten
  • Konzeption der Systemarchitektur

Bereitstellung von umfangreichem Know-how zu ASAM-Standards

  • ASAM OpenSCENARIO® , ASAM OpenTEST®, ASAM OpenDRIVE®, ASAM iLinkRT® und ASAM MDF/CCP/ODX
  • Interaktion mit den Arbeitsgruppen bei den unterschiedlich beteiligten Organisationen
  • Evaluierung von Standards und Tools

Bild: icons8.com

Bild: icons8.com

Bereitstellung der Messwerte

  • DiagRA® Embedded als Softwareschnittstelle
  • Embedded MC Server (EMC Server) zur Datenerfassung und -verarbeitung
  • Übertragung auf ein Leitstand
  • Bereitstellung von Messwerten aus ROS topics
// Unser Beitrag

Was tragen wir zum
Forschungsprojekt bei?

Bild: icons8.com

Konzeption des On-Board-Systems

  • Spezifikation eines Referenz-Systems
  • Konzeption der Schnittstellen für Softwarekomponenten
  • Konzeption der Systemarchitektur

Bild: icons8.com

Bereitstellung von umfangreichem Know-how zu ASAM-Standards

  • ASAM OpenSCENARIO® , ASAM OpenTEST®, ASAM OpenDRIVE®, ASAM iLinkRT® und ASAM MDF/CCP/ODX
  • Interaktion mit den Arbeitsgruppen bei den unterschiedlich beteiligten Organisationen
  • Evaluierung von Standards und Tools

Bild: icons8.com

Bereitstellung der Messwerte

  • DiagRA® Embedded als Softwareschnittstelle
  • Embedded MC Server (EMC Server) zur Datenerfassung und -verarbeitung
  • Übertragung auf ein Leitstand
  • Bereitstellung von Messwerten aus ROS topics
// Nutzen

Welche Vorteile bietet das Projekt für die Automobilindustrie und darüber hinaus?

Effektive Datenfilterung und -auswertung im Fahrzeug

Signifikante Reduktion nicht relevanter Daten

Kontinuierliches Training der KI und damit Optimierung der Kritikalitäteinschätzung von Fahrszenarien

Know-How-Aufbau und Transfer im Bereich der künstlichen Intelligenz

Entstehung neuer Komponenten für das autonome Fahren zur Integration in bestehenden Gesamtsystemen

Forschungsprojekte ermöglichen Einblicke und Marktbeobachtungen für zukünftige Entwicklungen im Bereich der Fahrzeugtechnologie

// Nutzen

Welche Vorteile bietet das Projekt für die Automobilindustrie und darüber hinaus?

Effektive Datenfilterung und -auswertung im Fahrzeug

Signifikante Reduktion nicht relevanter Daten

Kontinuierliches Training der KI und damit Optimierung der Kritikalitäteinschätzung von Fahrszenarien

Know-How-Aufbau und Transfer im Bereich der künstlichen Intelligenz

Entstehung neuer Komponenten für das autonome Fahren zur Integration in bestehenden Gesamtsystemen

Forschungsprojekte ermöglichen Einblicke und Marktbeobachtungen für zukünftige Entwicklungen im Bereich der Fahrzeugtechnologie

// Förderer und Unterstützer

Haben Sie noch Fragen zum Projekt oder unserer Forschung?

// Kontaktieren Sie uns

Dr. Frank Hantschel
Telefon: +49 7251 9819 574
E-Mail: f.hantschel[@]rac.de

Haben Sie noch Fragen zum Projekt oder unserer Forschung?

// Kontaktieren Sie uns

Dr. Frank Hantschel
Telefon: +49 7251 9819 574
E-Mail: f.hantschel[@]rac.de

TOP PRODUKTE

DiagRA® D

DiagRA® X

DiagRA® X Viewer Pro

Silver Scan-Tool™

DiagRA® S

DiagRA® LE

RA® ODX Viewer

IAV Macara

DiagRA® Flash Station

DiagRA® Embedded

Silver Snap-Tool

SUPPORT

Kontakt & Support

RA Download Center

Treiber

TRAININGS

RA Learning

Training DiagRA® D

RA Webinare

RA Tutorials

UNTERNEHMEN

Wer wir sind

Neuigkeiten

Karriere

Vertrieb weltweit

Mitgliedschaften

Abonnieren Sie
Neuigkeiten und Updates
von RA Consulting

Compliance    •    Vertragsbedingungen (AGB)    •    Datenschutzerklärung    •    Impressum

© RA Consulting GmbH, 2026  •  USt.-Ident.-Nr.: DE143081464  •  HRB: 231127 ASAMAETAElektromobilität Süde-West
RA Consulting GmbH