Längst gehören Begriffe wie „Smart Cars“ zu unserem Technologiealltag. Das bestätigt auch eine vom Softwarehersteller SAS beauftragte forsa-Studie, nach welcher weit über 90 % der Befragten konkrete Vorstellungen haben, was ein intelligentes Auto oder Heim kennzeichnet. Mehr als ein Drittel der Studienteilnehmer gaben auch an, sich die Nutzung von Technologien fürs autonome Fahren vorstellen zu können.
Als innovativer Mitgestalter der Welt vernetzter Fahrzeuge stellt der Connected Car Software- und Hardware-Anbieter Bright Box seine Lösung für autonomes Fahren vor. Als Nachrüstlösung für bereits vorhandene Fahrzeuge entwickelt, ermöglicht Remoto Pilot eine ebenso präzise wie zuverlässige Fahrspurführung sowie die Echtzeit-Erkennung und Berücksichtigung von Hindernissen wie Autos und Fußgängern. Als Schlüsseltechnologie für den autonomen Fahrzeugbetrieb per Remoto Pilot dient die Stereo Vision genannte Extraktion von 3D Information aus digitalen Bildern, in Verbindung mit auf neuronalen Netzen basierenden Computer Vision Algorithmen. Die Nutzung von Positionierungs-diensten des Satellitennavigationssystems Glonass (GNSS) und High-Definition-Karten (HD) vervollständigen die präzise Abbildung von Straßen und Umgebungen.
Zukunftsweisende Computer-Vision-Technologien - wie tieflernende künstliche Neuronale Netze (KNN) - kombiniert mit Stereo Vision, befähigen auch die Autos zum autonomen Fahren, welche bereits auf unseren Straßen unterwegs sind. Stereo-Vision (via Videokamerapaar auf dem Fahrzeug) ermöglicht die Entfernungsberechnung zu den unterschiedlichen Objekten im Gesichtsfeld der Kameras und so eine Echtzeitbewertung der Straßenlage durch den Bordcomputer des Fahrzeugs.
Das Anlernen eines neuronalen Netzes beinhaltet die Verwendung von vorberechneten repräsentativen Sätzen von Straßenlage-Videoabtastungen, auch bezeichnet als Trainingsdatensätze. Das neuronale Netzwerk-Training übernehmen Technologien, die auch für die Erstellung von 3D-Computer-Grafiken in Computerspielen wie „Grand Theft Auto“ (GTA 5) verwendet werden. Sie bieten eine große Anzahl extrem realistischer Stadt- und Straßenverkehrsdarstellungen, wie man sie aus dem Inneren fahrender Autos wahrnimmt, was sie zu einer perfekten Quelle hochwertigen grafischen Materials für die Generierung von Trainingsdatensätzen macht.
Real-Life-Trainingsdatensätze bilden zusammen mit synthetischen Datensätzen aus Computerspielen ein effizientes Ensemble, um neuronale Netzwerke zu schaffen, die reale Fahrsituationen hocheffizient analysieren und so die Basis für sicheres, zuverlässiges autonomes Fahren zu schaffen.
Ein großer Vorteil dieser Vorgehensweise ist die Flexibilität, die den neuronalen Netzwerkalgorithmen innewohnt: Während das neuronale Netz auf eine begrenzte Menge von Beispielen trainiert wird und auch nur eine limitierte Anzahl an Straßensituationen darstellt, werdend durch Real-Life-Trainingsdatensätze auch solche Straßensituationen korrekt analysiert, die sich deutlich von den Trainingsmustern unterscheiden. Neuronale Netze können lernen, Distanzen zu verschiedenen Objekten zu messen, indem man Trainingsdatensätze verwendet, die eine Anzahl von Bildpaaren beinhalten, die von Stereo-Kameras auf realen Straßen aufgezeichnet werden. So lassen sich Tiefenkarten für die Fahrzeug-Trajektorienplanung generieren.
Die bei Bright Box verwendete, fortschrittlichere Computer-Vision-Technologie macht auch die ansonsten in selbstfahrenden Autos verwendete Lidar-Sensoren – das sind Laserscanner, die den Abstand zu umgebenden Objekten messen – überflüssig.
„Die Kombination von Computer-Vision-Technologie und GNSS- und High-Definition-Karten (HD) bietet entscheidende Vorteile für die zuverlässige autonome Fahrzeugbedienung. Unsere Innovation Remoto Pilot ist ein weiterer Meilenstein auf unserem Erfolgsweg“, erklärt Robert Schüssler, Vice President EMEA bei Bright Box Europe.
Als innovativer Mitgestalter der Welt vernetzter Fahrzeuge stellt der Connected Car Software- und Hardware-Anbieter Bright Box seine Lösung für autonomes Fahren vor. Als Nachrüstlösung für bereits vorhandene Fahrzeuge entwickelt, ermöglicht Remoto Pilot eine ebenso präzise wie zuverlässige Fahrspurführung sowie die Echtzeit-Erkennung und Berücksichtigung von Hindernissen wie Autos und Fußgängern. Als Schlüsseltechnologie für den autonomen Fahrzeugbetrieb per Remoto Pilot dient die Stereo Vision genannte Extraktion von 3D Information aus digitalen Bildern, in Verbindung mit auf neuronalen Netzen basierenden Computer Vision Algorithmen. Die Nutzung von Positionierungs-diensten des Satellitennavigationssystems Glonass (GNSS) und High-Definition-Karten (HD) vervollständigen die präzise Abbildung von Straßen und Umgebungen.
Zukunftsweisende Computer-Vision-Technologien - wie tieflernende künstliche Neuronale Netze (KNN) - kombiniert mit Stereo Vision, befähigen auch die Autos zum autonomen Fahren, welche bereits auf unseren Straßen unterwegs sind. Stereo-Vision (via Videokamerapaar auf dem Fahrzeug) ermöglicht die Entfernungsberechnung zu den unterschiedlichen Objekten im Gesichtsfeld der Kameras und so eine Echtzeitbewertung der Straßenlage durch den Bordcomputer des Fahrzeugs.
Das Anlernen eines neuronalen Netzes beinhaltet die Verwendung von vorberechneten repräsentativen Sätzen von Straßenlage-Videoabtastungen, auch bezeichnet als Trainingsdatensätze. Das neuronale Netzwerk-Training übernehmen Technologien, die auch für die Erstellung von 3D-Computer-Grafiken in Computerspielen wie „Grand Theft Auto“ (GTA 5) verwendet werden. Sie bieten eine große Anzahl extrem realistischer Stadt- und Straßenverkehrsdarstellungen, wie man sie aus dem Inneren fahrender Autos wahrnimmt, was sie zu einer perfekten Quelle hochwertigen grafischen Materials für die Generierung von Trainingsdatensätzen macht.
Real-Life-Trainingsdatensätze bilden zusammen mit synthetischen Datensätzen aus Computerspielen ein effizientes Ensemble, um neuronale Netzwerke zu schaffen, die reale Fahrsituationen hocheffizient analysieren und so die Basis für sicheres, zuverlässiges autonomes Fahren zu schaffen.
Ein großer Vorteil dieser Vorgehensweise ist die Flexibilität, die den neuronalen Netzwerkalgorithmen innewohnt: Während das neuronale Netz auf eine begrenzte Menge von Beispielen trainiert wird und auch nur eine limitierte Anzahl an Straßensituationen darstellt, werdend durch Real-Life-Trainingsdatensätze auch solche Straßensituationen korrekt analysiert, die sich deutlich von den Trainingsmustern unterscheiden. Neuronale Netze können lernen, Distanzen zu verschiedenen Objekten zu messen, indem man Trainingsdatensätze verwendet, die eine Anzahl von Bildpaaren beinhalten, die von Stereo-Kameras auf realen Straßen aufgezeichnet werden. So lassen sich Tiefenkarten für die Fahrzeug-Trajektorienplanung generieren.
Die bei Bright Box verwendete, fortschrittlichere Computer-Vision-Technologie macht auch die ansonsten in selbstfahrenden Autos verwendete Lidar-Sensoren – das sind Laserscanner, die den Abstand zu umgebenden Objekten messen – überflüssig.
„Die Kombination von Computer-Vision-Technologie und GNSS- und High-Definition-Karten (HD) bietet entscheidende Vorteile für die zuverlässige autonome Fahrzeugbedienung. Unsere Innovation Remoto Pilot ist ein weiterer Meilenstein auf unserem Erfolgsweg“, erklärt Robert Schüssler, Vice President EMEA bei Bright Box Europe.
