Forschung

Datenanalyse und Data-Mining

Getrieben durch die Digitalisierung sind Daten heute zentral in den verschiedensten Lebens- und Wirtschaftsbereichen. Sie treten dabei in den unterschiedlichsten Formen und Ausprägungen auf. An immer mehr Stellen werden Daten gesammelt, verarbeitet und gespeichert. Die Datenanalyse beschäftigt sich damit, aus diesen Daten wertvolle Informationen zu extrahieren. Der Fokus beim Data-Mining liegt auf der Verwendung statistischer Methoden zum Auffinden und Beschreiben von Mustern und verborgenen Zusammenhängen in den Daten. Wir am FZI/ITIV forschen daran, diese Analysen möglichst agnostisch durchzuführen. Dabei ist das oberste Ziel die Nachvollziehbarkeit der Analysen und damit verbunden eine verständliche Präsentation der Ergebnisse.

Maschinelles Lernen

Aufbauend auf der Datenanalyse und dem Data-Mining und dem damit verbunden Verständnis der Daten, geht das maschinelle Lernen noch einen Schritt weiter. Hier lernen Algorithmen die Gesetzmäßigkeiten der Daten als statistisches Modell und können nach einer Lernphase auf weitere Daten verallgemeinern. Vor allem in Form von künstlichen neuronalen Netzwerken hat sich das maschinelle Lernen bewährt und wird zum Beispiel für die Prognose von Zeitreihen, die Detektion von Anomalien und die Objektdetektion eingesetzt. Am FZI/ITIV entwickeln und untersuchen wir diese Methoden zum Beispiel im Kontext des automatisierten Fahrens.

Augmentation mit generierenden künstlichen neuronalen Netzwerken

Künstliche neuronale Netzwerke sind neben der Verallgemeinerung auf unbekannte Daten dazu in der Lage neue Daten zu erzeugen (die drei Bilder oben wurden durch Textvorgabe mit der Stable-Diffusion-Architektur generiert). Neben rein künstlerischem und kreativem Schaffen erlaubt dieses Vorgehen auch die Ergänzung von fehlenden Datenpunkten in Datensätzen. Diese Datensatzvergrößerung wird als Augmentation bezeichnet. Wir am FZI/ITIV forschen an dem Einsatz von Augmentation mit generierenden künstlichen neuronalen Netzwerken im Zusammenhang mit der Entwicklung von automatisierten Fahrfunktionen.

Offene Studentische Arbeiten
Titel	Typ
Data Science mit Methoden der künstlichen Intelligenz für die Entwicklung hochautomatisierter Fahrfunktionen	Abschlussarbeit / HiWi / Praktikum

Betreute studentische Arbeiten

BA: "Konzeptionierung einer Pipeline zur Augmentation von Bildern aus dem Straßenverkehr mittels Maschinellen Lernens"
BA: "Merkmalsuntersuchung von mit Generative Adversarial Networks augmentierten Automotive-Bildern zur Beurteilung der Verwendung als Beispieldaten"
MA: "Evaluation der Einsatzmöglichkeit von Augmentation mittels Generative Adversarial Networks beim Closed-Loop Integrationstest von hochautomatisierten Fahrfunktionen"
MA: "Objektbezogene Untersuchung eines Latent Space zur Gewinnung neuer Kontexte"

Publikationen

2022

Buchaufsätze

Augmentation von Kameradaten mit Generative Adversarial Networks (GANs) zur Absicherung automatisierter Fahrfunktionen
Rigoll, P.; Petersen, P.; Ries, L.; Langner, J.; Sax, E.
2022. Fahrerassistenzsysteme und automatisiertes Fahren, 41–48, VDI Verlag. doi:10.51202/9783181023945-41

Parameterizable Lidar-Assisted Traffic Sign Placement for the Augmentation of Driving Situations with CycleGAN
Rigoll, P.; Petersen, P.; Langner, J.; Sax, E.
2022. Advances in Systems Engineering : Proceedings of the 28th International Conference on Systems Engineering, ICSEng 2021, December 14-16, Wrocław, Poland. Ed.: L. Borzemski, 403–417, Springer International Publishing. doi:10.1007/978-3-030-92604-5_36

Proceedingsbeiträge

Scalable Data Set Distillation for the Development of Automated Driving Functions
Rigoll, P.; Ries, L.; Sax, E.
2022. 2022 IEEE 25th International Conference on Intelligent Transportation Systems (ITSC), 3139–3145, Institute of Electrical and Electronics Engineers (IEEE). doi:10.1109/ITSC55140.2022.9921868

Towards a Data Engineering Process in Data-Driven Systems Engineering
Petersen, P.; Stage, H.; Langner, J.; Ries, L.; Rigoll, P.; Philipp Hohl, C.; Sax, E.
2022. 2022 IEEE International Symposium on Systems Engineering (ISSE), 1–8, Institute of Electrical and Electronics Engineers (IEEE). doi:10.1109/ISSE54508.2022.10005441

2021

Proceedingsbeiträge

Trajectory-Based Clustering of Real-World Urban Driving Sequences with Multiple Traffic Objects
Ries, L.; Rigoll, P.; Braun, T.; Schulik, T.; Daube, J.; Sax, E.
2021. 2021 IEEE International Intelligent Transportation Systems Conference (ITSC), 1251–1258, Institute of Electrical and Electronics Engineers (IEEE). doi:10.1109/ITSC48978.2021.9564636