Um die im Rahmen dieses Projekts zu entwickelnden KI-Module für die Umfeldrepräsentation sowie Situationsprädiktion zu trainieren, zu verifizieren und zu validieren, ist eine Datengewinnung notwendig. Zu diesem Zweck ist ein Messfahrzeug aufzubauen, das das funktionale Testfahrzeug möglichst genau abbildet. So können über die gesamte Projektlaufzeit kontinuierlich Mess-, Verifikations- und Validierungsfahrten durchgeführt werden. Im Vorfeld ist die Erstellung einer eindeutigen Spezifikation über die erforderliche Sensorik und die relevanten Messdaten erforderlich. Für eine ordentliche, dokumentierte Durchführung der Datenaufnahmefahrt ist eine Planung notwendig, welche die Streckenführung derart gestaltet, dass die erforderlichen Szenarien möglichst oft in den Messdaten vorkommen. Diese Szenarien sind vorab zu definieren und deren notwendige Häufigkeit in den Messdaten in geeigneter Weise festzulegen. Die Fahrer für die Datenaufnahmefahrten sind entsprechend zu instruieren und bei Problemstellungen während der Datenaufnahmefahrten muss ein Ansprechpartner zur Verfügung stehen. Weiterhin sind die Daten über die gesamte Projektlaufzeit kontinuierlich auf ihre Qualität zu prüfen, sodass Fehler im Messfahrzeug frühzeitig erkannt werden und zeitnah auf diese reagiert werden kann. Die aufgenommenen Daten sind für die weitere Prozessierung in geeigneter Weise aufzubereiten. Hierzu sind die Daten zunächst in ein nutzbares Format zu konvertieren und im Anschluss auf Syntax und Semantik zu verifizieren und validieren. Insbesondere zur Nutzung von hochgenauen Karteninformationen ist eine weitere Verarbeitung der Daten notwendig, um die Fahrzeugposition in Bezug zu bereits bestehenden Karteninformationen zu setzen.
Im Laufe des Projektfortschritts wird eine entwickelte Szenenprädiktion auf einem separaten Rechner in das Fahrzeug implementiert, um die Funktionsfähigkeit der Szenenprädiktion zu demonstrieren. Da-rauf aufsetzende Fahrfunktionen werden nicht in das Fahrzeug integriert.

Prädiktionsverfahren für verschiedene Verkehrsteilnehmer in Autobahnszenarien wie auch im urbanen Umfeld basieren auf verschiedenen und sich teilweise ausschließenden Repräsentationsformen. Einen einheitlichen Standard zur Darstellung des Umfelds gibt es daher nicht. Es gibt auch derzeit keine Untersuchungen und systematischen Vergleiche der verschiedenen Umfeldrepräsentationen in den verschiedenen Situationsklassen. Es erscheint daher sinnvoll zu untersuchen, ob eine einheitliche, performante Umfeldrepräsentation existiert. Ein weiterer zu untersuchender Gegenstand ist die Berücksichtigung von Umwelteinflüssen und Messwertartefakten oder Daten, die aus Luftaufnahmen abgeleitet wurden. Typische Effekte sind (optische) Verdeckung, Messunsicherheiten/Messungenauigkeiten und eine begrenzte Reichweite der Sensoren. Um dieses Teilprojekt lösen zu können, müssen zunächst verschiedene Repräsentationsformen untersucht und miteinander verglichen werden. Darüber hinaus müssen relevante Daten aus HD-Karten in das Umgebungsmodell integrierbar sein.

Das Ergebnis dieses Teilprojektes soll eine skalierbare Umfeldrepräsentation sein, welche sowohl alle räumlichen, semantischen und regulatorischen Merkmale einer Situation aus Sensordaten, hochgenauen Karteninformationen sowie Umwelteinflüssen vereint. Für eine hohe Effizienz soll das Abstraktionslevel der Umfeldrepräsentation so groß wie möglich bei gleichzeitiger Zuverlässigkeit und Robustheit sein, um auch Corner Cases und Anomalien abzubilden. Die Repräsentation soll zudem so gewählt werden, dass die Darstellungsform durch die spezifischen Eigenschaften von Autobahnszenarien und urbanen Um-gebungen intuitiv entsprechend erweitert werden kann

Der notwendige Prädiktionshorizont für das Verhalten von Verkehrsteilnehmern von bis zu 10 s leitet sich unmittelbar aus den Anforderungen der Automatisierungsstufe gemäß SAE-Level 3 ab. Ein wichti-ger Aspekt ist die optimale Ausnutzung der zur Verfügung stehenden Information. Hierbei gilt es zu untersuchen, wie sich das Einspeisen von Information aus anderen Systemen, wie zum Beispiel die Zuordnung der einzelnen Verkehrsteilnehmer zu einer Klasse bzw. die geschätzten Maße der Verkehrs-teilnehmer auf die Performanz und Robustheit der Prädiktion auswirken. Die Arbeitspakete in diesem Teilprojekt beziehen sich auf die verschiedenen Lösungsparadigmen für die obengenannten Aspekte:

• Überwachtes Lernen
• Teil-überwachtes Lernen
• Transfer Lernen
• Rückführung Ego-Planung
• Integrierter Ansatz

Dieses Teilprojekt baut auf Ergebnissen aus den Lösungsparadigmen auf. Ein Ergebnis aus dem Punkt Überwachtes Lernen soll ein funktionaler Prototyp sein, der mit auf der Autobahn aufgenommen Daten trainiert wird und mehrere Zukunftsmodi berücksichtigt. Darüber hinaus soll auch ein funktionaler Prototyp, der mit im urbanen Umfeld aufgenommen Daten trainiert wird und mehrere Zukunftsmodi berücksichtigt, resultieren. Aus dem Punkt  Teil-überwachtes Lernen soll ein Prototyp für Kalibrierverfahren und Verfahren zum Abschätzen des Out-of-Distribution Fehlers sowie ein Prototyp für das Active Learning Verfahren resultieren. Unter Transfer Lernen werden das Transfer Learning Verfahren zur Domänen-Adaption von der Domäne Autobahnszenarien zur Domäne urbane Szenarien und umgekehrt implementiert. Hier wird eine mögliche Performanzsteigerung durch ein Curriculum Learning Verfahren untersucht. Im Bereich Rückführung Ego-Planung  werden die Stand-Alone Prädiktionsmodelle angepasst, sodass die Prädiktion unter Berücksichtigung der bekannten Ego-Trajektorie stattfindet. Die Methoden zur integrierten Trajektorien-Prädiktion und -Planung werden im Unterpunkt Integrierter Ansatz entwickelt und untersucht.

Die in den Teilprojekten Umfeldrepräsentation und Situationsprädiktion entwickelten Modelle sollen an Hand definierter Kriterien evaluiert werden. Zum einen soll die Performanz der einzelnen Modelle für sich und zum anderen ihre Stärke in der integrierten Fahrfunktion bewertet werden. Zur Bewertung sollen daher Szenarien definiert werden, die sich an typischen Situationen auf Autobahnen und im urbanen Umfeld orientieren. Diese sollen verwendet werden, um mit Hilfe von Expertenwissen Ground Truth-Informationen (Label) für die Szenenprädiktion zu erzeugen und daraus KPI abzuleiten.
Eine Auswertung zu Beginn des Projekts wird zeigen, dass einige Szenarien durch bisherige Ansätze zur Situationsprädiktion nicht gut abgedeckt sind. Besonders in diesen soll die KI Anwendung finden, sodass nach Projektabschluss der Anteil korrekt prädizierter Szenarien gestiegen ist. Während der Datenaufnahme im Laufe des Projekts wird sich zeigen, welche Fälle häufig auftreten und gut abgedeckt sind. Fälle, die in der Datenbank weniger repräsentiert sind – sogenannte Corner Cases – sollen identifiziert werden und bedürfen spezieller Aufmerksamkeit: Zum einen soll versucht werden, die Abdeckung dieser Szenarien mit einer gezielten Datenaufnahme zu erhöhen. Zum anderen soll ausgewertet werden, ob die Modelle unter diesen Randbedingungen ungewöhnliches Verhalten zeigen, sodass die Grenzen eines Modells erkennbar werden und analysiert werden können.

Das Projekt umfasst vier inhaltlich-arbeitende, stark interagierende Teilprojekte deren Zusammenspiel und Abhängigkeiten an dieser Stelle koordiniert werden sollen. Die Projektorganisation übernimmt die Aufgaben des Projektmanagements auf technischer und administrativer Ebene und verantwortet die Gesamtkoordination des Projektes. Es koordiniert den Austausch zwischen den anderen Teilprojekten und organisiert die Ergebnisverbreitung des Projekts und hat damit eine Querschnittsfunktion innerhalb des Projekts.
Dafür müssen die Ergebniserarbeitungen der Teilprojekte 1 -4 effizient gestalten sein, um so eine kohärente und konvergente Technologieentwicklung und eine schnelle industrielle Verwertung zu gewährleisten. Die Abhängigkeiten der Teilprojekte untereinander stellen dabei eine besondere Herausforderung dar. Es ist Teil des Teilprojektes das gleiche Verständnis von dem zu erreichenden Zielen herzustellen und sowohl organisatorische als auch inhaltliche Schnittstellen zwischen den einzelnen Partnern und den Arbeitspaketen zu schaffen und zu pflegen. Dazu soll ein Arbeitsumfeld etabliert werden, in dem alle Partner möglichst flexibel und offen gemeinschaftlich Ideen, Konzepte und Ergebnisse erarbeiten und auch Lösungen für alle Herausforderungen, die sich während der Projektlaufzeit ergeben, erarbeiten können. Darüber hinaus wird hier die gesamte Ergebnisverbreitung nach innen und außen, d.h. mit dem Konsortium, dem Projektträger und der Öffentlichkeit koordiniert.
Das Teilprojekt ist dabei in zwei Arbeitspakete gegliedert.

• Das Management und die Koordination der Projektpartner mit dem Schwerpunkt darauf das Projekt zu führen und abzustimmen.
• Die Verbreitung der Ergebnisse an externe Adressaten. Der Fokus liegt hier auf der zielgruppengerechten Aufbereitung der Informationen und der Erarbeitung von Präsentationen und anderen geeigneten Kommunikationsmitteln.