Fahrzeuge klassifizieren Objekte, indem sie diese auf der Straße erkennen und somit ihr Verhalten besser vorhersagen können. Ein Fahrrad und ein Motorrad haben beispielsweise eine ähnliche Form und Größe, aber sie verhalten sich völlig unterschiedlich. Damit ein Fahrzeug richtig auf sie reagieren kann, muss es in der Lage sein, sie voneinander zu unterscheiden.
Fortschrittliches maschinelles Lernen von Aptiv ermöglicht eine höhere Effizienz bei der Bestimmung, ob das analysierte Objekt ein Fahrzeug, ein Fußgänger, ein Fahrrad oder ein anderer Verkehrsteilnehmer ist. Dies erlaubt eine präzisere Einschätzung, wie sich das Objekt voraussichtlich verhalten wird. Diese Technologie bietet enorme Möglichkeiten zur Optimierung der bestehenden Hardware und nutzt gleichzeitig die Vorteile des Radars, wie die Fähigkeit, in stark frequentierten Bereichen zu arbeiten, Hindernisse zu erkennen und Radardaten auf niedriger Ebene zur Verbesserung der Höhenabschätzung zu verwenden.
Aptiv strebt nach einer sichereren Zukunft des Straßenverkehrs – ohne Todesopfer, ohne Verletzungen und ohne Unfälle. Dieses Ziel wird erreicht, wenn jedes produzierte Fahrzeug mit kostengünstigen ADAS[1]-Lösungen ausgestattet ist, die in unterschiedlichen Wetter- und Straßenbedingungen funktionieren.
Der Ansatz von Aptiv für ADAS bietet maximale operative Effizienz. Wir liefern eine Lösung, die sowohl rechnerisch als auch energetisch effizient ist, wodurch die Systeme günstiger und fortschrittliche Sicherheitsfunktionen zugänglicher werden. Gleichzeitig sind sie 25 % günstiger und 65 % energieeffizienter als kamerabasierte Systeme.
Heute können wir die Leistungsfähigkeit des Fahrzeugsradars noch weiter steigern, indem wir es mit Algorithmen auf Basis von Künstlicher Intelligenz (KI), insbesondere maschinellem Lernen (ML), ausstatten. Aptiv hat ein bahnbrechendes objektklassifizierendes Radarsystem entwickelt, das eine fünffach höhere Leistung über eine breite Palette von Radarsensoren bietet.
Genauere Klassifikation als Stärke der ADAS-Systeme
Fahrzeuge klassifizieren Objekte auf der Straße, um ihr Verhalten besser vorherzusehen. Dies ist entscheidend für alle Entscheidungsebenen der ADAS-Systeme und des autonomen Fahrens. Ein Fahrrad und ein Motorrad sehen zwar ähnlich aus, verhalten sich jedoch völlig unterschiedlich. Damit ein Fahrzeug richtig auf sie reagieren kann, muss es in der Lage sein, sie zu unterscheiden.
Traditionell war die Klassifikation die Domäne rechenintensiver visueller Systeme. Solche Lösungen sammeln jedoch unnötige Informationen wie die Farbe des Objekts oder darauf sichtbare Schriftzüge. In solchen Systemen müssen unnötige Daten herausgefiltert werden, damit ADAS richtige Schlussfolgerungen ziehen kann.
Radar hingegen kann in direkterer Weise zur Entscheidungsfindung beitragen und ist besonders leistungsfähig bei schlechten Wetterbedingungen – etwa im Nebel, bei Schneefall oder starkem Regen. Dunkelheit oder direktes Sonnenlicht beeinträchtigen seine Funktion ebenfalls nicht.
Verbesserungen durch Software-Optimierungen
Fortschrittliches maschinelles Lernen von Aptiv ermöglicht eine höhere Effizienz bei der Bestimmung, ob das analysierte Objekt ein Fahrzeug, ein Fußgänger, ein Fahrrad oder ein anderer Verkehrsteilnehmer ist. Dies erlaubt eine präzisere Einschätzung, wie sich das Objekt voraussichtlich verhalten wird. Diese Technologie bietet enorme Möglichkeiten zur Optimierung der bestehenden Hardware und nutzt gleichzeitig die Vorteile des Radars, wie die Fähigkeit, in stark frequentierten Bereichen zu arbeiten, Hindernisse zu erkennen und Radardaten auf niedriger Ebene zur Verbesserung der Höhenabschätzung zu verwenden.
Dies ist nur der neueste einer langen Reihe von Radaren, die bei Aptiv entwickelt wurden. Wir waren das erste Unternehmen, das Radar in ein Fahrzeug integriert hat, und wir forschen weiterhin intensiv an seiner Weiterentwicklung, um unseren OEM-Kunden den größtmöglichen Mehrwert zu bieten und gleichzeitig die Welt für alle sicherer zu machen.
[1] ADAS (Advanced Driver Assistance Systems) sind elektronische Systeme, die den Fahrern helfen, sicherer zu fahren. Sie nutzen verschiedene Technologien (einschließlich Künstlicher Intelligenz und maschinellem Lernen), um kontinuierlich Daten von Sensoren zu analysieren und dem Fahrer Informationen über das Fahrzeug und seine Umgebung zu liefern, um die Sicherheit, den Komfort und die Bequemlichkeit während der Fahrt zu verbessern.