Entwicklung Automatisierte Fahrfunktionen

ADAS- und autonome Fahrfunktionen erfordern die Echtzeitverarbeitung großer Datenmengen aus verschiedensten Sensorquellen. Diese Informationen präzise und effizient zu integrieren, als Voraussetzung für eine zuverlässige Umfelderfassung, stellt eine erhebliche technische Herausforderung dar.

Damit Systeme basierend auf LiDAR, Radar und Kameras die Umgebung unter unterschiedlichsten Bedingungen zuverlässig erkennen und interpretieren können, ist höchste Robustheit erforderlich. Mit steigendem Grad der Automatisierung sowie zur Handhabung komplexerer Szenarien ist ein tiefes Situationsverständnis elementar.

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.