Zukünftige (autonome oder semi-autonome) Fahrzeuge werden untereinander über Funk kommunizieren, um eine erhöhte Verkehrssicherheit und Zuverlässigkeit zu garantieren. Jedes Fahrzeug erstellt dafür mit Hilfe von Sensoren, wie Lidar, Radar und Kameras, eine lokale Sicht seiner Umgebung, um andere Verkehrsteilnehmer (Fußgänger:innen, Fahrräder oder andere Fahrzeuge) und Verkehrshindernisse zu detektieren. Diese Sensoren benötigen eine Sichtverbindung, die oftmals durch Gebäude und andere Fahrzeuge blockiert ist. Dadurch fehlen dem Fahrzeug wichtige Informationen, um die Verkehrssituation richtig einschätzen zu können. Funkwellen können sich um Ecken und andere Hindernisse ausbreiten und damit die lokale Sicht eines Fahrzeugs mit Sensordaten, Positionsangaben und Verkehrsinformationen von anderen Fahrzeugen ergänzen. Jedoch variiert die Zuverlässigkeit der Funkkommunikation in Abhängigkeit der Umgebung des Fahrzeugs und ist in derzeitigen Steuerungs- und Sicherheitsalgorithmen intelligenter Fahrzeuge eine unbekannte Größe.
Start: 01.01.2021
Ende: 31.12.2022
Ziele:
Das Projekt RELEVANCE soll diese Unsicherheiten reduzieren: In einem ersten Schritt wird eine Methode entwickelt, um Regionen mit zuverlässiger Funkkommunikation in Echtzeit vorherzusagen, d.h. das Fahrzeug weiß, in welcher geografischen Region es zuverlässig Verkehrs- und Sensorinformationen austauschen kann. Im zweiten Schritt wird diese Vorhersagemethodik für die Verifikation & Validierung in der Entwicklung von fortgeschrittenen Fahrerassistenzsystemen und autonomen Fahrsystemen eingesetzt und ermöglicht so das Erstellen und Priorisieren von relevanten Testszenarien. Das Wissen über die Grenzen der Zuverlässigkeit der Funkkommunikation erlaubt dabei die Betrachtung von Grenzfällen, die sonst nur schwierig zu konstruieren wären, für die Validierung jedoch von höchster Relevanz sind.
Der zentrale Innovationsgehalt von RELEVANCE ist die Erforschung von Methoden zur Nutzung von Geometriedaten (Straßen, Gebäude, Verkehrsschilder und andere Hindernisse) wie auch Sensordaten eines Fahrzeugs, um ein künstliches neuronales Netz für die Echtzeitvorhersage von Regionen mit zuverlässiger Funkkommunikation zu trainieren.
Ergebnisse:
Das Projekt RELEVANCE strebt die folgenden Ergebnisse an:
(a) Erforschung einer echtzeitfähigen Vorhersage von Regionen mit zuverlässiger Funkkommunikation für Fahrzeuge. Die lokalen Sensordaten des Fahrzeugs und ein dynamisches geometriebasiertes stochastisches Kanalmodell liefern Eingangsdaten für ein künstliches neuronales Netz, das den Bereich für die zuverlässige Funkkommunikation rund um das Fahrzeug in Bezug auf die Paketfehlerrate (FER) vorhersagt.
(b) Bereitstellung von Daten einer Funkkanalmesskampagne, angereichert mit Sensordaten eines „intelligenten“ Fahrzeuges, als offenen Datensatz, um eine wissenschaftliche Challenge zur Vorhersage von Regionen mit zuverlässiger Funkkommunikation zu initiieren.
(c) Entwicklung des Open Source Frameworks HOPE zur Untersuchung von Deep-Learning Methoden für die Vorhersage von Regionen mit zuverlässiger Funkkommunikation. Das Framework umfasst Module für Kanalmodellierung, Vorhersage von Paketfehlerraten, Bereitstellung von Sensordaten (d.h. Lidar- oder Radardaten), Deep Learning Modelle und eine Simulation für Vehicle-in-the-Loop Tests.
Webpage: -
Funding: -
Partners: -