Algorithmenentwicklung

CMORE greift bei der Entwicklung von Algorithmen auf  langjährige Erfahrungen zurück. Neben Algorithmenentwicklungen in zahlreichen Kundenprojekten für Radar- und Kamerasysteme werden im Rahmen des Cost Sensitive Learning (CSL) Projekts eigens entwickelte Algorithmen zur Objektdetektion und Mustererkennung verwendet.

 

Hierbei ist das Vorgehen für alle Sensoren prinzipiell ähnlich. Heutige radar-, kamera-, lidar- oder ultraschallbasierte Fahrerassistenzsysteme beruhen auf Detektions- und Klassifizierungsalgorithmen, die Informationen der Sensoren analysieren und interpretieren. Im ersten Schritt werden die Rohdaten vorverarbeitet, wobei beispielweise bildbeschreibende Merkmale extrahiert werden. Im zweiten Schritt werden Lernverfahren verwendet, um mit den ermittelten Merkmalen Modelle zu trainieren. Hierfür werden Verfahren und Algorithmen aus dem Bereich des maschinellen Lernens verwendet. Besondere Herausforderungen in  der Entwicklung solcher Algorithmen stellen sich einerseits dadurch, die zum Teil verrauschten und fehlerbehafteten Sensordaten richtig zu bewerten und andererseits, die hierzu benötigten Berechnungen in Echtzeit durchführen zu können.

 

Die Verbesserung und Optimierung von sicherheitskritischen Fahrerassistenzfunktionen wie bspw. Autonomous Emergency Braking (AEB) oder Lane Keep Assist (LKA) erfordert, insbesondere im Hinblick auf das angestrebte autonome Fahren, ein umfassendes Umfeldmodell, das durch Sensordatenfusion bereitgestellt wird. Dieses Umgebungsmodell kann den Algorithmen als Eingangsdaten eine höhere Genauigkeit und Sicherheit bieten, wodurch die Zuverlässigkeit der Algorithmen weiter gesteigert wird.

Tool Development
Bildverarbeitung