Page - (000439) - in Autonomes Fahren - Technische, rechtliche und gesellschaftliche Aspekte

42320.2 Maschinelle Wahrnehmung Für die spätere Situationsbewertung und Situationsprädiktion ist allerdings nicht nur die physikalische Vermessung der Objekte notwendig, sondern auch die Kenntnis darüber, um welche Objektklasse es sich handelt. Beispielsweise unterscheiden sich ein Fußgänger und ein Motorradfahrer in ihren möglichen Bewegungsfreiheitsgraden und auch in der mögli- chen Bewegungsdynamik. Markierungsstreifen auf der Fahrbahn können je nach Kontext und Konstellation unterschiedliche Bedeutungen haben. Daher ist es notwendig, auch die semantische Bedeutung der erkannten Objekte aus den Sensordaten oder weiteren Infor- mationsquellen wie einer digitalen Karte zu ermitteln. Dieser Vorgang wird im Zusammen- hang mit der maschinellen Wahrnehmung als Klassifikationsschritt bezeichnet, ist aber Bestandteil der maschinellen Wahrnehmung. Während Menschen sehr schnell und fehlerfrei den visuellen Wahrnehmungen auch semantische Bedeutung zuordnen können, ist dies für die maschinelle Wahrnehmung nach dem heutigen Stand der Technik noch eine vergleichsweise schwierige Aufgabe. Bekannte Klassifikationsverfahren basieren immer auf mehr oder weniger komplexen Modellen er- warteter Objektklassen, die entweder aus Beispielen automatisiert gelernt oder manuell vorgegeben werden. Diese Modelle weisen dann möglichst diskriminierende, mit den ver- fügbaren Sensoren erfassbare Merkmale auf, sodass zwischen den vorkommenden Objekt- klassen unterschieden werden kann. Es wird aber auch deutlich, dass vorab nicht trainierte Objektklassen mit heute bekannten Verfahren auch nicht semantisch identifiziert werden können. Aufgrund der signifikant höheren Leistungsfähigkeit haben sich lernende Klassi- fikationsverfahren heute weitgehend durchgesetzt. Eine maschinelle Wahrnehmung mit semantischen Informationen ist im Kontext der Fahrerassistenzsysteme und des automatisierten Fahrens nur deshalb technisch möglich, weil der Verkehrsraum gut strukturiert und auf wenige Objektklassen beschränkt ist. Zudem ist für die Situationserkennung und Situationsprädiktion nur eine grobe Klassenunterschei- dung relevant. Nach dem heutigen Stand der Technik reicht es aus, unter den bewegten Objekten zwischen den Klassen Fußgänger, Radfahrer, Personenkraftwagen und Lastkraft- wagen bzw. Bussen unterscheiden zu können. Hinzu kommen noch stationäre Hindernisse, die jedoch meist zusammen mit den nicht klassifizierbaren Objekten einer Restklasse hinzugefügt werden. Für die korrekte Zuordnung der klassifizierten Objekte zur Verkehrsinfrastruktur ist es ferner notwendig, auch Fahrstreifenmarkierungen, Sperrflächen, Haltelinien, Lichtsignal- anlagen und Verkehrsschilder zuverlässig mit korrekter semantischer Bedeutung zu erken- nen. Da diese komplexe Klassifikationsaufgabe heute noch nicht mit der notwendigen Zuverlässigkeit möglich ist, werden nach dem Stand der Technik unterstützend hochgenaue und umfassend attributierte digitale Karten verwendet. Hieraus kann das automatisierte Fahrzeug bei bekannter eigener Position die im Sensorsichtfeld zu erwartenden stationären Objekte sowie Markierungen inklusive semantischer Bedeutung entnehmen. Die Sensorik muss dann nur noch das Vorhandensein der Objekte verifizieren. Ein Nachteil dieser Vorgehensweise ist es, dass zum einen eine hochgenaue Lokalisa tion des eigenen Fahrzeugs notwendig ist, für die Standard-GPS-Verfahren nicht ausreichen, und zum anderen die Karte immer aktuell sein muss. Aus diesem Grund wird man zukünf-