Die Grundlage moderner Fahrzeugfunktionen sind Daten, die über Sensoren erfasst werden. Problematisch wird es, wenn Sensoren unterschiedliche Daten liefern. Um dieses Problem näher zu betrachten, definierten die Wissenschaftler*innen ein Anwendungsszenario, bei dem es darum geht, inkonsistente Sensordaten zu erkennen und zu bearbeiten. Die zentrale Frage ist: Wie entscheidet ein autonomes Auto, wenn die Sensordaten widersprüchlich sind? In dem Szenario fahren zwei Autos auf einer Autobahn hintereinander auf eine Baustelle zu. Das hintere Auto fährt autonom und agiert auf Basis von Kartendaten und Sensorinformationen. Im Kartenmaterial ist die Baustelle nicht vorhanden, die Abstandssensoren des autonomen Fahrzeugs melden aber ein Hindernis. Anhand dieses Anwendungsfalls werden die Wissenschaftler*innen drei Forschungsfragen bearbeiten: Was passiert, wenn das autonome Fahrzeug keine weiteren Informationen erhält? Wie entwickelt sich die Situation, wenn das vordere Auto das Hindernis dem autonomen Auto mittelt? Was wäre, wenn ein anderes Auto das Hindernis bereits passiert hätte und die Information an eine zentrale Autorität gemeldet hätte?
Die Wissenschaftler*innen betrachten außerdem das Verfahren der Novelty Detection: Der Machine-Learning-Algorithmus des autonomen Autos soll signalisieren, dass die neuen Sensordaten nicht zu den bekannten Daten passen und deshalb nicht zugeordnet werden können. Diese Information fließt dann zum Hersteller, sodass dieser die unbekannte Situation in die Trainingsdaten des Algorithmus aufnehmen kann und schließlich das Auto zuverlässiger wird.
Eine weitere Möglichkeit, die Situation zu verbessern, besteht in der Vehicle-to-Vehicle-Kommunikation (V2V) und in der Vehicle-to-Infrastructure-Kommunikation (V2I). Bei der V2V-Kommunikation tauschen sich die Fahrzeuge direkt über das Hindernis aus. Bei der V2I-Kommunikation werden die Informationen an eine zentrale Stelle weitergeleitet, um die Kartendaten nachzubessern und zu verteilen.
Wenn mehrere Fahrzeuge ihre Daten austauschen und dadurch ihre Informationen über den Straßenverkehr ergänzen, spricht man von einer kollektiven Wahrnehmung (Collective Perception). Diese bringt Herausforderungen mit sich, wie z. B. das Zusammenführen von Informationen mehrere Fahrzeuge. Dies kann unter anderen durch Track-to-Track Fusion geschehen. Ein Track ist die Summe aller Parameter, die durch Sensoren geschätzt wurden (z. B. Position, Geschwindigkeit, Größe eines Objektes). Zunächst analysierten die Wissenschaftler*innen, welche Daten mindestens für eine Track-to-Track-Fusion zu übertragen sind: Es muss nicht der gesamte Track gesendet werden, die aktuell geschätzten Parameter für die getrackten Objekte genügen. Außerdem identifizierten sie die Funkstandards, die für eine Track-to-Track-Fusion genutzt werden können. Dazu zählen Adhoc Networks (VANets), die in den Fahrzeugen zum Informationsaustausch eingesetzt werden, und Cellular-V2X Standards, die die 4G- und 5G-Mobilfunktechnik verwenden. Die bisherigen Untersuchungen bilden die Grundlage für weitere Forschung im Bereich Track-to-Track-Fusion und Collective Perception. Um ein solches System zu implementieren, werden die Wissenschaftler*innen das Zusammenführen der Daten näher betrachten. Des Weiteren werden sie prüfen, welche zu übertragenden Objektparameter eine Verbesserung der Tracking-Genauigkeit erreichen können.
Die Schätzung bestimmter Parameter (z. B. Orientierung) oder die Verwendung bestimmter Sensoren wie (z. B. Radarsensoren) erfordert nichtlineare Modelle, die auch komplexere Bewegungen von Objekten (z.B. Fahrrädern) erlauben. Die Schätzung der Objektparameter ist komplexer, aber es können sogenannte Gauß’sche Filter eingesetzt werden. Dieser Filter nimmt an, dass es sich um eine Gauß-Verteilung (auch Normalverteilung genannt) handelt und zieht zufällig Punkte, die diese Verteilung repräsentieren. Der Filter kann in einem Fahrzeug zur Umfelderkennung genutzt werden: Die Tracks verschiedener Fahrzeuge werden von einem Infrastrukturmodul kombiniert und zu den Fahrzeugen zurückgesendet. Um Zufallseffekte zu vermeiden und verlässliche Ergebnisse zu erzeugen, entwickelten die Wissenschaftler*innen des Zukunftslabors Mobilität einen deterministischen Sampling-Algorithmus. Das bedeutet, dass die Wissenschaftler*innen verlässliche Stichproben mithilfe eines Algorithmus erzeugen, die sie dann im Gauß‘schen-Filter zur Betrachtung nichtlinearer Zusammenhänge einsetzen können. Dadurch werden die Ergebnisse der Umfelderkennung noch sicherer.
Am Teilprojekt „Sicherheit und Schutz bei der Handhabung mobilitätsbezogener Daten“ sind folgende Forschende seit Beginn involviert:
