Newsletter August 2017 ()

Deep Learning für autonome Fahrfunktionen

Technik-Vorsprung dank Validierung in CarMaker

In den vergangenen zwei Dekaden ist der Einsatz von Deep Learning-Methoden im Bereich der Fahrzeugentwicklung stetig gewachsen – insbesondere im Zusammenhang mit autonomen Fahrfunktionen konnten in jüngerer Vergangenheit beeindruckende Erfolge erzielt werden. Der letzte Entwicklungsstand war hier ein Modell, das in der Lage war, ein Fahrzeug in 98 % der Zeit auf Autobahnen autonom zu steuern.

Wir möchten Ihnen eine studentische Abschlussarbeit zu diesem Thema vorstellen, bei der das virtuelle Testen wesentlich zum Ergebnis beigetragen hat. An der Chalmers University of Technology in Schweden hat der Autor in Zusammenarbeit mit der Volvo Car Corporation untersucht, auf welche Art und Weise das Imitation Learning von Fahrzeugen für autonomes Fahren auf Autobahnen erfolgen kann, wenn lediglich auf Graustufenbilder einer einzelnen Frontkamera zugegriffen werden kann. Imitation Learning basiert auf realen Referenzdaten, die im Falle dieser Arbeit auf dem Fahrverhalten eines professionellen, menschlichen Fahrers basieren.

Die Referenzdaten wurden von Volvo Cars bereitgestellt und bestehen aus der Kombination einer am Testfahrzeug montierten Frontkamera, die ein Graustufenbild mit einer Auflösung von 640 × 480 Pixeln und einer Bildwiederholfrequenz von 20 Hz liefert, sowie des jeweiligen Lenkradwinkels. Um die gesammelten Daten so generisch wie möglich zu halten, wurde der Lenkradwinkel in den Wendekreis des Fahrzeuges umgerechnet. Für den Autoren ergab sich so ein Ergebnis von ungefähr 1,4 Millionen Kombinationen aus Lenkradwinkel und Kamerabild.


Closed-Loop-Testing im virtuellen Fahrversuch

Für gewöhnlich basieren derartige Systeme auf einer Vielzahl von Sensoren, beispielsweise einer Kombination aus Kamera und Lidar oder aus mehreren Kameras. Da die Daten, die ein Kamerabild liefert, einen sehr hohen Informationsgehalt haben, haben die Beteiligten im Rahmen der Abschlussarbeit an der Chalmers University mit Nachforschungen begonnen, ob ein verlässliches Fahrverhalten auf Basis der Daten von lediglich einer Graustufenkamera im Frontbereich zu erlernen ist. Die dabei entwickelte Methode stützt sich auf neuronale Netzwerke, die als eine Art Richtlinie für das Fahrverhalten des Fahrzeuges dienen. Diese Richtlinie stützt sich auf reale Daten, die in simulierten Closed-Loop-Umgebungen auf ein einwandfreies Fahrverhalten und eine hohe Anpassungsfähigkeit an neue Situationen getestet werden. Die Closed-Loop-Tests wurden mithilfe der offenen Integrations- und Testplattform CarMaker von IPG Automotive durchgeführt.

Das Hauptaugenmerk der Forschung liegt darauf, die oben genannte Richtlinie auf Basis der Kameradaten erfolgreich zu entwickeln. Außerdem möchte der Autor demonstrieren, dass ein Datensatz, der lediglich mithilfe einer einzelnen Frontkamera erstellt wurde, ausreicht, um ein Fahrzeug zuverlässig auf einer Autobahn die Spur halten zu lassen und auch auf Störfaktoren angemessen zu reagieren. Darüber hinaus beweist die Arbeit im weiteren Verlauf, dass ein erlerntes Fahrverhalten beruhend auf realen Daten in einer virtuellen Umgebung fehlerfrei funktioniert. So wird eine kostengünstige und schnelle Modellevaluierung durch HIL-Tests ermöglicht.

Der Erfolg der Studie konnte auch dank der Simulationslösung CarMaker so deutlich erreicht werden, da das erlernte Fahrverhalten im Anschluss in einer Closed-Loop-Simulation im virtuellen Fahrversuch in CarMaker validiert wurde. Die Straßengeometrie wurde auf Basis von Google Maps-Daten importiert. Für die Studie haben die Autoren eine insgesamt ca. 85 km lange Strecke mit zwei bis vier Fahrspuren sowie Geschwindigkeitsbegrenzungen von 50–90 km/h verwendet. Eine virtuelle Kamera hat in Echtzeit Bilder eingespeist, die vom simulierten Fahrzeug anschließend in die entsprechenden Lenkbewegungen umgesetzt wurden. Die Ergebnisse der Arbeit erlauben eine umfassende Evaluierung, können in Zukunft jedoch erweitert werden. Denkbar sind beispielsweise erweiterte Fahrszenarien oder realen Tests im Straßenverkehr für weiterführende Untersuchungen.