Autoren

L. Schroven, N. Worzyk, Capgemini Engineering, Düsseldorf/Hamburg

Jahr

2026

Druckinfo

Eigenproduktion ÖVK

Zusammenfassung

Die Sicherheit, Zuverlässigkeit und Vertrauenswürdigkeit von Fahrerassistenzsystemen (ADAS) hängen entscheidend davon ab, Schwachstellen präzise zu identifizieren und exakt die Daten bereitzustellen, die für Test und Verbesserung notwendig sind. 

Da anspruchsvolle und seltene Verkehrssituationen — etwa textbedeckte Fahrzeuge oder ungewöhnlich verdeckte Fußgänger — häufig zu Fehl- oder Nichtdetektionen führen, reichen aggregierte Leistungsmetriken für sicherheitskritische Anwendungen nicht aus. Im SAIfe-Projekt gewinnen wir daher ein detailliertes Szenenverständnis und korrelieren dieses mit dem Modellverhalten, um Schwachstellen systematisch und nachvollziehbar sichtbar zu machen.

Auf Basis dieser Erkenntnisse erzeugt das NXTAIM-Projekt mithilfe von Generativer KI und Simulation gezielt jene Daten, die zum Schließen der modellseitigen Lücken erforderlich sind. Durch die Modifikation bestehender annotierter Bilder sowie die Erstellung neuer Szenarien mittels graphbasierter Straßenlayouts vermeiden wir kostenintensive globale Datenerfassungskampagnen und erreichen gleichzeitig eine präzise Szenarioabdeckung.

Diese Fähigkeiten werden schließlich im internen Machine Learning Center (MLC) zusammengeführt, das Schwachstellenanalyse, gezielte synthetische Datengenerierung und automatisierte Arbeitsabläufe in einem integrierten Prozess vereint. Dadurch wird die Entwicklung von ADAS-Funktionen beschleunigt, Kosten werden reduziert und die Sicherheits- und Robustheitsanforderungen in einer dynamischen und komplexen Industrie nachhaltig gestärkt.

ISBN

978-3-9504969-5-6

DOI

https://doi.org/10.62626/swkq-snce Link kopieren

Bestellen Mitglieder-Login