Das Ziel dieser Arbeit ist die Anreicherung von Trainingsdaten für das autonome Fahren mit so genannten Corner Cases. Im Straßenverkehr sind Corner Cases kritische, seltene und ungewöhnliche Fahrsituationen, die eine Herausforderung für die Wahrnehmung durch KI-Algorithmen darstellen. Zu diesem Zweck hat sich die Arbeitsgruppe Stochastik von Prof. Hanno Gottschalk einen Prüfstand überlegt mit dem synthetische Corner Cases mit einem Human-in-the-Loop-Ansatz und der Open-Source-Fahrsimulationssoftware CARLA (https://carla.org/) erzeugt werden können.

Für den Prüfstand wird ein semantisches Echtzeit-Segmentierungsnetz trainiert und so in die Fahrsimulationssoftware CARLA integriert, dass ein Mensch auf Basis der Vorhersage des Netzes fahren kann. Zusätzlich bekommt eine zweite Person die gleiche Szene aus der Original-CARLA-Ausgabe zu sehen und soll mit Hilfe einer zweiten Steuereinheit eingreifen (Tritt auf die Bremse oder Eingriff ins Lenkrad), sobald der semantische Fahrer ein gefährliches Fahrverhalten zeigt. Eingriffe deuten auf eine schlechte Erkennung einer kritischen Szene durch das Segmentierungsnetz hin und stellen dann einen Corner Case dar. In unseren Experimenten konnten wir zeigen, dass die gezielte Anreicherung von Corner Cases in den Trainingsdaten zu einer Verbesserung der Fußgängererkennung in sicherheitsrelevanten Situation im Straßenverkehr führt.

Preprint: https://arxiv.org/abs/2202.10803