Der Weg zu einer umfassenden Untersuchung von Corner Cases
Die Analyse von Corner Cases ist eines der elementaren Themen im Projekt KI Data Tooling. Das Projektziel, einen umfassenden Datenbaukasten für das autonome Fahren zu schaffen, kann nur erreicht werden, wenn diese selten vorkommenden, aber oft hoch relevanten Szenarien einbezogen und betrachtet werden. Zwei aktuelle Publikationen illustrieren den Fortschritt des Projekts zu diesem Thema.
In einem ersten Schritt wurde eine Analyse von Klassifikationen und unterschiedlichen Abstraktionsniveaus von Corner Cases detailliert untersucht. Die Ergebnisse dieser Untersuchungen sind in dem Papier „An Application-Driven Conceptualization of Corner Cases for Perception in Highly Automated Driving“ zusammengefasst, das von der Universität Kassel, der Technischen Universität Braunschweig und dem Forschungszentrum Informatik verfasst wurde. Das Paper, das zur Veröffentlichung auf dem Intelligent Vehicles Symposium (IV) 2021 angenommen wurde, soll zu einem grundlegenden Verständnis von Taxonomie und Definitionen beitragen, um die weitere Arbeit an Corner Cases auszurichten - sowohl innerhalb des Projekts KI Data Tooling als auch darüber hinaus. Darüber hinaus stellt die Arbeit einen weiteren Schritt nach vorne dar: Sie erweitert die übliche Betrachtung von Kameradaten um die Analyse von RADAR und LiDAR. Die Arbeit ermöglicht somit ein besseres Verständnis von Eckfällen und ist eine wichtige Grundlage für weitere Arbeiten zu diesem Thema.
Die Fortsetzung der Arbeit wird in dem Paper „Out-of-distribution Detection and Generation using Soft Brownian Offset Sampling and Autoencoders“ der Universität Kassel beschrieben, das auf dem CVPR Workshop "Safe Artificial Intelligence for Automated Driving" zur Veröffentlichung angenommen wurde. Basierend auf bestehenden Definitionen von Corner Cases wurde untersucht, inwieweit diese auch synthetisch generiert werden können. Dies ist ein weiterer wichtiger Schritt zur Schaffung einer umfassenden Datenbasis, die auch kritische und seltene Kurvenfälle enthalten muss. Da diese in realen Daten selten vorkommen, ist es unerlässlich, solche Szenarien synthetisch darzustellen. Mit der im Projekt neu etablierten "Soft Brownian Offset-Methode" sollen Corner Cases (hier so genannte Out-of-Distribution Samples) erzeugt werden, die am Rand oder außerhalb der üblichen Datenverteilungen liegen.
Ziel dieser Arbeiten im KI Data Tooling ist es, einen umfassenden Katalog von Szenarien und deren Beschreibung sowie Methoden und Werkzeuge zu erstellen, die bei der automatisierten Erkennung und Erzeugung von Corner Cases helfen können. Die beiden neuen Publikationen veranschaulichen den Fortschritt des Projekts auf dem Weg zu diesem Ziel.
Bild: Universität Kassel