Automated Driving Functions

ADAS and autonomous driving functions require real-time processing of large amounts of data from a wide variety of sensor sources. Integrating this information precisely and efficiently, as a prerequisite for reliable environment perception, presents a significant technical challenge.

For systems based on LiDAR, radar, and cameras to reliably detect and interpret the surroundings under a wide range of conditions, the highest level ofrobustness is required. As the degree of automation increases and to handle more complex scenarios, a deep understanding of the situation becomes essential.

Für die zuverlässige Funktion von ADAS- und autonomen Fahrsystemen ist eine präzise Eigenlokalisierung in Kombination mit hochauflösenden Karten unverzichtbar. Nur so können Fahrzeuge ihre Position exakt bestimmen und sicher im Straßenverkehr agieren.

Die Entwicklung fortschrittlicher Algorithmen, die komplexe Verkehrssituationen bewältigen, potenzielle Gefahren vorhersagen und sichere Entscheidungen treffen können, ist von zentraler Bedeutung. Diese Algorithmen müssen robust, skalierbar und an unterschiedliche Fahrumgebungen anpassbar sein.

Klassische Validierungsmethoden stoßen bei der Komplexität moderner ADAS- und autonomer Fahrfunktionen an ihre Grenzen. Um Sicherheit und Funktionsfähigkeit in allen denkbaren Fahrszenarien zu gewährleisten, sind umfassende, virtuelle Test- und Integrationsansätze unerlässlich.

Machine-Learning-Modelle benötigen enorme Mengen an qualitativ hochwertigen, annotierten Daten, um effektiv trainiert werden zu können. Die Nutzbarmachung dieser Daten sowie das Training geeigneter Modelle stellt eine zentrale Herausforderung dar.