Der wissenschaftliche Mitarbeiter Marcel Kettelgerdes wurde auf der 29ten IEEE International Conference On Mechatronics and Machine Vision in Practice (M2VIP) in Queenstown, Neuseeland für seine Publikation zur KI-basierten Niederschlagscharakterisierung auf Basis degradierter LiDAR (Light Detection and Ranging) -Sensordaten mit dem Best Paper Award ausgezeichnet.
Die Ver?ffentlichung mit dem Titel ?Automotive LiDAR based Precipitation State Estimation using Physics Informed Spatio-Temporal 3D Convolutional Neural Networks (PIST-CNN)“ wurde im Rahmen des vom Bundesministerium für Digitales und Verkehr (BMDV) gef?rderten Projektes ?SAVeNoW“ (https://savenow.de/de/) in Kooperation mit dem Anwendungszentrum des Fraunhofer IVI in Ingolstadt und der Conti Temic microelectronic GmbH erarbeitet. Um die Umfelderfassung autonomer Fahrzeuge virtuell testen zu k?nnen, werden Sensormodelle ben?tigt, welche den Einfluss von Regen und Schnee sowie der Alterung auf die Sensoren erfassen k?nnen. Dieser Forschung widmet sich Marcel Kettelgerdes in seiner von Prof. Elger betreuten Promotion am Institut für Innovative Mobilit?t der THI. Begleitet durch ein Studentenprojekt mit KI-Studierenden an der THI wurde eine mit physikalischem Vorwissen angereicherte, neuronale Netzwerkarchitektur entwickelt, welche die aktuelle Wetterlage in Form der Niederschlagscharakteristik (Partikelgr??enverteilung, sowie Niederschlags-Art und -Rate) rein auf Basis von wetterbedingten Messartefakten in den LiDAR-Daten sch?tzt. Für dessen Training wurde eine umfangreiche Datenbasis aus hochaufgel?sten Wetter- und LiDAR-Daten genutzt, welche im Rahmen des Projektes aufgezeichnet wurde, um Witterungseinflüsse auf sicherheitsrelevante Automotive Umfeldsensoren zu untersuchen und zu modellieren.
LiDAR-Sensoren gelten aufgrund ihrer hohen r?umlichen Aufl?sung und Messgenauigkeit als Schlüsselsensor zukünftiger, automatisierter Fahrfunktionen. Eine fortlaufende Erfassung der lokalen Witterungsbedingungen w?hrend der Fahrt k?nnte genutzt werden, um dem Fahrer oder umliegenden Fahrzeugen ohne zus?tzliche Sensorik qualifizierte Wetterinformationen mitzuteilen. Weiterhin k?nnten die Fahrdynamik und entsprechende, sicherheitsrelevante Fahrfunktionen flexibel auf Basis der Niederschlagsart und -Intensit?t, sowie dem resultierenden Zustand des Fahruntergrunds angepasst werden.
