Hinweis: Der FAS-Workshop findet dieses Jahr als digitale Konferenz am 16. + 17.07.2020 statt.

13. Uni-DAS e.V. Workshop Fahrerassistenz und automatisiertes Fahren: 16. + 17.07.2020

 

Fahrerassistenzsysteme mit maschineller Wahrnehmung sind inzwischen im Automobil etabliert. Neben weiterer Leistungs- und Kostenoptimierung dieser Systeme rückt die Übernahme des Fahrens durch Maschinen immer stärker in den Vordergrund. Noch sind wir von der vollständigen, unbeschränkten Automatisierung des Fahrens weit entfernt, doch zeichnen sich mehrere Wege ab, wie diese Entwicklung in Zukunft erfolgen kann. Die technologiegetriebene Entwicklung stellt aber auch unsere heutigen Mobilitätskonzepte in Frage und bietet neue Optionen, aber sicherlich auch neue Herausforderungen zu Fragen der Systemsicherheit, Systemtransparenz und auch der möglichen Überautomatisierung. Besonders schwierig scheint die Frage, wie hoch- und vollautomatisiertes Fahren abzusichern ist und wie sich diese Systeme freigeben lassen. Wie in den vergangenen Jahren bietet die Konfrenz ein Diskussionsforum für ausgewiesene Expertinnen und Experten im deutschsprachigen Raum, auf dem technische, gesellschaftliche, aber auch ethische Fragestellungen der Fahrerassistenz und des automatisierten Fahrens interdisziplinär diskutiert werden.

 

Kosten

Teilnahmegebühr: Die Teilnahmegebühr für den FAS-Workshop beträgt 100,– € und wird nach Versand der Rechnung fällig. Sie ist entsprechend der Zahlungsinformationen auf der Rechnung an den Uni-DAS e.V. zu überweisen.

Tagungspauschale und Übernachtungskosten entfallen.

 

Anmeldung

Hinweis: Die reguläre Anmeldephase ist beendet. Wenn Sie sich dennoch für den digitalen FAS Workshop interessieren, senden Sie uns bitte eine E-Mail an Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein!

 

 

Programm Stand: 17.06.2020

Donnerstag 16. Juli 2020
09:00 Begrüßung
Lutz Eckstein
  Perzeption und Mapping
Sessionleiter: Uwe Franke, Daimler AG
09:20 Identification of Uncertainty in Artificial Neural Networks
N. Jourdan, E. Rehder, U. Franke, Daimler AG
09:40 A machine learning approach for ultrasonic noise classification and suppression
M.-E. Mohamed, H. Gotzig, R. Zoellner, P. Maeder, Valeo
10:00 Kontinuierliche, fahrstreifengenaue Kreuzungsschätzung aus den Fahrtverläufen anderer Verkehrsteilnehmer
A. Meyer, J. Walter, M. Lauer, C. Stiller, FZI Karlsruhe
10:20 Kaffeepause
  Lokalisierung
Sessionsleiter: t.b.d.
10:45 Verfahren zur Korrektur von inkonsistenten Lokalisierungsdaten in modularen technischen Systemen
T. Homolla, G. Gottschalg, H. Winner, TU Darmstadt
11:05 Selbstlokalisierung für automatisierte Fahrzeuge mit tiefen neuronalen Netzen
N. Engel, K. Dietmayer, Uni Ulm
11:25 Zuverlässige und integre Landmarkenbasierte Lokalisierungsmethoden zum automatisierten Fahren
I. Hofstetter, F. Ries, F. Schuster, M. Haueis, Daimler AG
11:45 Preisverleihungen
Moderation: Hermann Winner
Verleihung des ADAS Awards
Laudatio: Klaus Dietmayer
12:15 Mittagspause
  Absicherung I
Sessionleiter: Thomas Form, Volkswagen AG
14:30 Validation of automated driving - a structured analysis and survey of approaches
J. E. Stellet, M. Woehrle, T. Brade, A. Poddey, W. Branz, Robert Bosch GmbH
14:50 Saturation Effects in Recorded Vehicle and Pedestrian Maneuver Data for the Test of Automated Driving
L. Hartjen, R. Philipp, F. Schuldt, B. Friedrich, Volkswagen Group Innovation
15:10 Verifikation von HD-Karten mittels räumlich und semantisch separierbarer 1D-Signale
J.-H. Pauls, T. Strauß, C. Hasberg, M. Lauer, C. Stiller, KIT
  Absicherung II
Sessionleiter: Walther Wachenfeld, Continental
15:30 Functional Decomposition of Automated Driving Systems for the Classification and Evaluation of Perceptual Errors
R. Philipp, F. Schuldt, F. Howar, Volkswagen Group Innovation
15:50 How to evaluate synthetic radar data? Lessons learned from finding driveable space in virtual environments.
M. F. Holder, P. Rosenberger, C. Linnhoff, J. R. Thielmann, H. Winner, TU Darmstadt
16:10 Ende Tag 1
Freitag 17. Juli 2020
  Mensch-Maschine Interaktion
Sessionleiter: Dietrich Manstetten, Robert Bosch GmbH
09:00 Bewertung der Sicherheit der Mensch-Maschine Interaktion teilautomatisierter Fahrfunktionen (Level 2)
A. Wiggerich, H. Hoffmann, N. Schömig, K. Wiedemann, K. Segler, BASt
09:20 Manual Adaption of Steering Support in a Take-Over Scenario – A Technical Evaluation
L. Kalb, B. Karakaya, TU München
10:40 Kaffeepause
  Planung
Sessionleiter: Moritz Werling, BMW AG
11:05 Learning Realistic High Level Decisions for Autonomous Driving at Complex Intersections
D. Kamran, M. Lauer, C. Stiller, KIT
11:25 Systemarchitektur und Fahrmanöver zum sicheren Anhalten modularer automatisierter Fahrzeuge
S. Ackermann, H. Winner, TU Darmstadt
11:45 Preisverleihungen
Moderation: Hermann Winner
Verleihung Uni-DAS Wissenschaftspreis
Laudation und Vortrag des Preisträgers
Best-Paper Award

Moderation: Klaus Dietmayer
12:30 Abschlussdiskussion und Aufruf FAS-Workshop 2021
Markus Maurer
12:45 Ende des Workshops

Programm - Das Programm zum Download als pdf.

 

Themenbereiche des Workshops

  • Sensorik (Video, Radar, Lidar, u. a.)
  • Umfeld- und Situationserfassung
  • Situationsverstehen
  • Kooperatives automatisiertes Fahren
  • Neue Fahrerassistenzsysteme
  • Maschinelle Lernverfahren
  • Absicherung von KI
  • Absicherung und Freigabe automatisierten Fahrens
  • Entwurfs- und Testverfahren
  • Systemsicherheit und Risikomanagement
  • Rechtliche Rahmenbedingungen
  • Mensch-Maschine-Interaktion
  • Akzeptanz automatisierter Funktionen
  • Wirkung auf Fahrzeug- und Verkehrskonzepte

 

 

Organisation

Prof. Dr. Lutz Eckstein
Institut für Kraftfahrzeuge (ika)
RWTH Aachen University
Steinbachstraße 7
D–52074 Aachen

 

Veröffentlichungen beim Workshop

Folgende Beiträge wurden bei diesem Workshop veröffentlicht:

Abstract: Neural networks are the backbone of environment perception systems for autonomous driving. While they achieve state-of-the-art performance in most computer vision tasks, they typically do not provide self-evaluation with respect to their predictions. For autonomous vehicles, though, it is vital that the system actively reasons about its limitations. The aim of this work is to identify uncertainty in neural network decisions for semantic segmentation. To systematically evaluate this, we develop a methodology to compare neural networks' performance in out-of-distribution detection and uncertainty estimation. As the core contribution of our work, we propose a novel approach to learn uncertainty estimation for out-of-distribution detection from unlabeled parts of the training data. Our approach only extends the training strategy and therefore does not require any changes to network architecture or runtime. We show that resulting networks perform en par with state-of-the-art methods that require much greater computational efforts. Consequently, any given architecture for segmentation can be trained to also provide out-of-distribution detection.

Zur Veröffentlichung - Download als PDF

Abstract: In this paper we present a novel approach for using industrial grade ultrasonic sensors to perform echolocation by detecting ultrasonic echoes in a noisy environment using machine learning. A 2-step approach is presented starting by signal classification and followed by noise suppression. We show how this methodology is robust against the influence of ultrasonic noise sources in the environment as well as undesired reflections coming from the terrain. Several noise sources and noise powers are assessed as well as different terrain types. The results are benchmarked against the state of art energy thresholding, matched filters correlation algorithms and noise suppression methodologies, clearly showing the superiority of the machine learning based approach.

Zur Veröffentlichung - Download als PDF

Zusammenfassung: In diesem Beitrag wird ein Markov-Chain-Monte-Carlo-Ansatz vorgestellt, der ohne Kartenvorwissen sowohl das geometrische Layout einer Kreuzung als auch den genauen Verlauf der Fahrstreifen aus den Fahrtverläufen anderer Verkehrsteilnehmer schätzt. Das Modell ist fexibel gestaltet und nicht auf eine bestimmte Anzahl Arme oder Fahrstreifen beschränkt. Das Verfahren ist so konzipiert, dass laufend neue Messungen aufgenommen und genauso kontinuierlich Schätzungen abgegeben werden können. Der Ansatz wird auf 1.000 simulierten und 14 realen Kreuzungen evaluiert. Das Layout der Kreuzung kann dabei in unter 30 ms in mehr als 99% der Fälle richtig geschatzt werden. Auf dieser Basis erreicht die Fahrstreifenschätzung in 100 ms einen Fehler von nur 14 cm. Nach den genannten Zeiten verbessert sich die Schätzung kontinuierlich durch Aufnahme neuer Messungen und Analyse weiterer Hypothesen.

Zur Veröffentlichung - Download als PDF

Zusammenfassung: Automatisiert gesteuerte, mobile Systeme verfügen uber eine planende und eine ausführende Instanz, die sowohl integriert als auch unabhängig voneinander vorliegen können. Beide benötigen Informationen über die aktuelle Pose des Systems. Um ein unerwünschtes Systemverhalten zu verhindern, ist es notwendig, dass beide Instanzen identische (konsistente) Informationen über die aktuelle Pose des Systems erhalten. Am Beispiel eines automatisiert gesteuerten Fahrzeugs wird ein Verfahren vorgeschlagen, das ermöglicht, für Planung und Regelung inkonsistente Lokalisierungsdaten zu verwenden. Dazu wird der Offset der ermittelten Posen bestimmt, überwacht und korrigiert. Außerdem werden die Effekte von Sprüngen der Pose im Rahmen der Sensordatenfusion auf die Bewegungsregelung unterdrückt und ein Beitrag zur Selbstwahrnehmung des Systems geleistet.

Zur Veröffentlichung - Download als PDF

Zusammenfassung: Für das automatisierte Fahren ist die Kenntnis über die eigene Fahrzeugpose (bestehend aus Position und Orientierung) unerlässlich, um ein hohes Maß an Sicherheit und eine robuste Fahrweise im Straßenverkehr zu garantieren. Weiterhin erfordern viele Softwaremodule, wie zum Beispiel die Trajektorienplanung, eine hoch genaue und verlässliche Schätzung der eigenen Pose. In diesem Beitrag wird ein Verfahren vorgestellt, welches auf Basis einer hochgenauen digitalen Karte mit Landmarken, also leicht wiedererkennbaren Objekten in der Umgebung, und aktuellen Sensormessungen des automatisierten Fahrzeuges die Fahrzeugpose ermittelt. Dabei wird ein neuartiges Verfahren mit tiefen neuronalen Netzen präsentiert, welches aktuelle Messungen und Landmarken aus der Karte als 2D Punktlisten verarbeitet. Die Ergebnisse werden auf einem neu erstellten Datensatz in verschiedenen Szenarien in urbanen und ländlichen Gebieten evaluiert und es wird gezeigt, dass die vorgestellte Methode state-of-the-art Genauigkeiten im Bereich von 20 cm bei einer Rechenzeit von nur 2 ms erreicht. Weiterhin erfolgt ein Vergleich mit einer Netzwerkarchitektur, welche anstatt der Punktlisten auf Rasterkarten basiert, um die Vorteile der direkten Verarbeitung der Punkte aufzuzeigen.

Zur Veröffentlichung - Download als PDF

Zusammenfassung: Nachweisbare Zuverlässigkeit Landmarken-basierter Lokalisierungsverfahren bleibt bis heute eine der größten Herausforderungen auf dem Gebiet des automatisierten Fahrens. Wesentliches Fehlerpotential steckt dabei vor allem in der Assoziation von detektierten Landmarken mit Kartenelementen. Periodische Muster und uneindeutige Lokalisierungsmerkmale stellen Fehlerquellen für eine korrekte Datenassoziation dar und gefährden damit eine integre Lokalisierung. Diese Arbeit beschäftigt sich damit, Integrität von Lokalisierungsverfahren sicherzustellen. Durch eine Vorprozessierung des Kartenmaterials werden zunächst mehrdeutige Landmarkenmuster identi fiziert, die mögliche Fehlerquellen darstellen. Zusätzlich wird eine neue Datenassoziationsmethode basierend auf Geometric Hashing eingeführt, welche keinerlei Informationen über die vorhergehende Position des Fahrzeugs benötigt und somit das Risiko der Fehlerfortpflanzung ausschließt. Abschließend wird die Identi kation eindeutiger Landmarkenkonstellationen zur integren Fahrzeuglokalisierung beschrieben.

Zur Veröffentlichung - Download als PDF

Abstract: Validating the safety of automated driving (AD) is a problem of remarkable complexity and practical relevance. New approaches are needed since a statistical proof of safety based on field testing does not scale. Despite the attention paid to this topic in industry and academia, a consensus or unified framework has not yet been reached. This work describes and compares four distinct validation approaches. Our finfings reveal that the current fragmentary landscape can be partly explained by differences in the AD use cases. On the one hand, there are different problem spaces characterised, e.g., by the operational domain and the driving tasks. On the other hand, the solution space differs for business models related to end-customer vehicles and mobility as a service.

Zur Veröffentlichung - Download als PDF

Abstract: One key challenge for a scenario-based verification and validation approach of automated vehicles is the completeness of a scenario set for a specific operational design domain of the system. A possible solution is the use of real-world datasets to argue for the representativity of a given set of scenarios. In order to make these arguments, it is necessary to estimate the amount of data that has to be collected. This contribution investigates the occurrence of saturation effects in the data collection for the test of automated vehicles to estimate the representativity of a set of scenarios. To this end, we analyze a dataset collected in the city of Hamburg with respect to saturation effects in the observed maneuvers.

Zur Veröffentlichung - Download als PDF

Zusammenfassung: Für automatisierte Fahrfunktionen haben sich Karten sowohl als perfekte Ergänzung als auch als Rückfallebene für Sensordaten erwiesen. Gerade hochaufgelöste Karten können jedoch sehr schnell veralten. In teilweise geänderten Umgebungen ist eine Lösung des Lokalisierungsproblems schwierig oder uneindeutig - insbesondere wenn diese strukturiert oder periodisch sind. Um dennoch die Aktualität einer Karte sicherstellen zu können, werden in diesem Beitrag 1D-Signale vorgestellt, die sich nur selten oder geringfügig entlang einer Straße ändern, aber signifikante Änderungen aufweisen, sobald sich die kartierte Umgebung gegenüber der Karte geändert hat. Drei beispielhafte Signale werden durch die Kombination zweier Verfahren - einer räumlichsemantischen Gruppierung und einer ordnungsinduzierenden Projektion - sowohl aus punkt- als auch aus linienförmigen Landmarken hergeleitet.

Zur Veröffentlichung - Download als PDF

Abstract: This contribution investigates dependability threats to automated driving systems pertaining to the environment perception. The identification of factors that can lead to safety-relevant system failures is essential for assuring safety of automated driving systems. We establish a comprehensive taxonomy for the classifictation of perceptual threats based on a functional decomposition of automated driving systems. Moreover, we use an exemplary lane keeping assistance system to describe different types of threats by using the taxonomy. The proposed taxonomy enables the opportunity for future work on a safety validation concept for perception components.

Zur Veröffentlichung - Download als PDF

Abstract: Generating synthetic sensor readings at scale by means of virtual sensors is expected to facilitate safety validation of autonomous driving functions. An absolute equality of real and synthetic data is not to be expected. Instead, it has to be proven that synthetic sensor data exhibits a comparable level of uncertainties as data from the real sensor, so that subsequent algorithms draw the same conclusions from the respective input data. This paper addresses this problem by comparing free space information inferred from real and synthetic radar data. It is shown that comparable free space can be calculated from the sensor simulation, although deviations between synthetic and real sensor data exist. The presented method to compare the calculated free space from synthetic and real data serves as evaluation of the simulation model.

Zur Veröffentlichung - Download als PDF

Zusammenfassung: Kontinuierlich assistierende Systeme des Level 2 können per Definition die Quer- und Längsführung ausführen, wobei dem Fahrer primär die Rolle der Object and Event Detection and Response (OEDR) zukommt. Gleichzeitig übernehmen die Systeme Teile dieser Aufgabe auch selbst, wodurch es für den Fahrer schwierig sein kann, seine Rolle und Verantwortung korrekt zu erkennen und sich entsprechend zu verhalten. Im Rahmen einer Fahrsimulatorstudie wurde ein szenario-basierter Bewertungsansatz der Sicherheit der Mensch-Maschine-Interaktion (MMI) erprobt. Hierfür wurde ein neu entwickeltes kombiniertes Beobachtungs- & Befragungsinstrument für Probandenstudien eingesetzt. Die Reliabilität eines L2 Systems wurde anhand der Anzahl der nötigen Fahrereingriffe sowie der Güte der Spurführung manipuliert. Eine hohe L2 Systemreliabilität führte zu einer kritischen MMI. Dies konnte zuverlässig mit dem Instrument bewertet werden.

Zur Veröffentlichung - Download als PDF

Abstract: This paper presents the technical development and evaluation of three systems to manually adapt steering support in a take-over scenario during conditional automated driving. Speech command, pressure sensors and clutch paddles were individually examined in a prototype state. Results indicate that speech commands exceed time limits during processing and pressure sensors are too sensitive for human fingers. Clutch paddles are most promising, both in signal processing and mounting in a vehicle mockup.

Zur Veröffentlichung - Download als PDF

Abstract: In this work we use deep Q network (DQN) approach to learn high level actions for automated driving at unsignaled intersections. Using lanelet map, history of positions and velocities for vehicles close to the intersection are calculated that provide a generic state representation for the Reinforcement Learning (RL) agent to handle different types of intersections. Moreover, we define safety and utility reward functions and use weighted average of them as total reward in order to evaluate the situation more precisely. The goal is to learn optimal policy which is safe but also not overcautious. According to our experiments, using such reward function, the agent can successfully learn an optimal policy which only stops for the vehicles close to the intersection and will drive fast when vehicles are far from the intersection.

Zur Veröffentlichung - Download als PDF

Zusammenfassung: Maschinelle Systeme übernehmen einen immer größer werdenden Anteil der dynamischen Fahraufgabe automatisierter Fahrzeuge. Funktionale Degradationen können di Fähigkeiten dieser Systeme negativ beeinflussen, sodass sie die Fahraufgabe nicht weiter erfüllen können. In diesen Fällen wird bei höher automatisierten Systemen die Fahraufgabe von einer maschinellen Rückfallebene übernommen. Im Rahmen des Forschungsprojekts UNICARagil wird eine modulare und dienstbasierte funktionale Fahrzeugarchitektur entwickelt, für die in diesem Beitrag die Anforderungen und die Systemarchitektur einer geeigneten funktionalen Rückfalleben vorgestellt werden und der weitere Forschungsbedarf hinsichtlich der erforderlichen Fähigkeiten der Teilfunktionen, ihrer gegenseitigen Abhängigkeiten und der Absicherung der Teil- und Gesamtfunktionen erläutert wird.

Zur Veröffentlichung - Download als PDF

Adresse

Uni-DAS e. V.

Otto-Berndt-Straße 2
64287 Darmstadt

Telefon: +49 241 80 26533

EU e-Privacy