Mitglieder des Centrums für Automatisierte Mobilität haben im Rahmen der VDI-Tagung Fahrerassistenzsysteme und automatisiertes Fahren am 17. und 18. Mai in Aachen einen Beitrag zur Absicherung der Klassifikationsergebnisse von Sensordaten (z.B. Fahrzeug-Kameradaten) vorgestellt:
Aktuelle Detektionssysteme weisen derzeit noch erhebliche Defizite im Bereich der Einschätzung der eigenen Klassifikationsergebnisse auf.
Am Beispiel eines Kamerabilds erklärt, erkennen (da / nicht da) und klassifizieren (Person, Fahrzeug, Schild, etc.) die Algorithmen nicht nur Objekte, sondern geben gleichzeitig auch eine Einschätzung zur Qualität der eigenen Ergebnisse ab. Das heißt sie bewerten, wie sicher sie sich bezüglich ihrer Entscheidung sind. Leider überschätzen die Systeme regelmäßig die Korrektheit ihrer Entscheidung, sodass sie vorgeben, dass die Ergebnisse eindeutiger sind, als sie es schließlich auf Testdaten sind. Da diese Einschätzung in nachfolgende Entscheidungen zur Notwendigkeit einer Intervention (z.B. Bremsassistenz, Einleiten von Ausweichmanövern, Übernahmeaufforderung an die Fahrzeugführenden o.ä.) eingehen, lassen sich daraus fatale Fehlentscheidungen ableiten.
Das Team von Prof. Dr. Anselm Haselhoff (camo.nrw) hat zusammen mit der Elektronische Fahrwerksysteme GmbH ein Verfahren zur positionsabhängigen (Nach-)Kalibirierung von Detektionsystemen, die auf neuronalen Netzen basieren entwickelt, die die Vorhersage zur Güte der eigenen Ergebnisse erheblich verbessert.
Weitere Informationen zum angesprochenen Verfahren finden sich in
Küppers, F., Kronenberger, J., Haselhoff, A. & Schneider J. (2022): Kalibrierung von Neuronalen Netzen für Detektionsmodelle. In: Fahrerassistenzsysteme und automatisiertes Fahren. VDI-Berichte 2394, S. 49 – 62, VDI Verlag GmbH, Düsseldorf.
