Die TH Ingolstadt erforscht mit künstlicher Intelligenz das Fußgänger-Verhalten, damit automatisierte Fahrzeuge künftig schneller reagieren können. (Bild: THI)
Das Forschungs- und Testzentrum Carissma der Technischen Hochschule Ingolstadt (THI) arbeitet daran, dass automatisierte Fahrzeuge mithilfe künstlicher Intelligenz (KI) kritische Verkehrssituationen erkennen und geeignete Maßnahmen einleiten. Dabei beschäftigen sich die Wissenschaftler insbesondere mit dem Schutz der ungeschützten Verkehrsteilnehmer (Vulnerable Road User, VRU). Dafür haben sie eine ganze Familie an Fußgänger-Dummys mit künstlichen Muskeln entwickelt, die auf den Einsatz von metallischen Komponenten verzichtet und damit im Hinblick auf das Radar-Refelexionsverhalten dem eines echten Menschen entspricht.
Auch konzipierten die Forscher einen Kinder-Dummy. Zuvor hatten sie spezielle Bewegungserfasssungssensoren an den Körpern von Kindern angebracht, um deren Bewegungsverhalten zu untersuchen und auf diese Weise eine Referenz für den Kinder-Dummy zu schaffen. Dieses Verhaltensmuster übertrugen sie auf den Dummy, der es erlaubt, das Verhalten von Kindern in kritischen Situationen nachzustellen und für die Sicherheitssysteme berechenbar zu machen.
Damit es in der Indoor-Versuchshalle für automatisierte Fahrversuche realistische Bedingungen gibt, haben die Wissenschaftler eine Wetteranlage aufgebaut, die Nebel und Regen generiert, damit sie reproduzierbare Sensor- und Systemtests durchführen können. Dazu haben sie in der Natur vorkommenden Nebel und Regen vermessen und mit den gleichen Charakteristika nachgebildet. Auf diese Weise können sie bei den Indoor-Fahrversuchen mit Fußgängern authentische Witterungsbedingungen nachstellen.
Mithilfe von KI ermittelten die Wissenschaftler dann die Bewegungsintentionen von Fußgängern, damit automatisierte Fahrzeuge künftig in kritischen Situationen schnell reagieren können. Carissma forscht gemeinsam mit dem Kompetenzzentrum für Künstliche Intelligenz Ainin an der THI an neuartigen Algorithmen und Methoden für die effiziente Implementierung und Nachvollziehbarkeit selbstlernender Systeme.
(gk)
