TESTA-KI

Verkehrsunfälle werden häufig durch menschliche Fehler wie überhöhte Geschwindigkeit, Unaufmerksamkeit oder Fahren unter Einfluss von Alkohol und Drogen verursacht. Obwohl moderne Fahrerassistenzsysteme in Fahrzeugen integriert sind, um diese Risiken zu verringern, sind die vorhandenen Testmethoden unzureichend, um sicherzustellen, dass die Systeme in realen Bedingungen effektiv arbeiten. Besonders bei Aufmerksamkeitsassistenten fehlen automatisierte und praxisnahe Testverfahren, die für alle Nutzergruppen (verschiedene Ethnien, Lichtverhältnisse, Sehbehinderungen) robust sind.

Vorhandene KI-gestützte Testverfahren sind oft nicht ausreichend anpassungsfähig, was zu Schwächen bei der Erkennung und Unterstützung unterschiedlicher Fahrer führt. Zudem sind die aktuellen Systeme nicht in der Lage, das Verhalten des Fahrers oder der Fahrerin umfassend zu analysieren und kritische Aufmerksamkeitsschwächen zu identifizieren. Das führt dazu, dass die Systeme in realistischen Szenarien nicht zuverlässig arbeiten und somit die Sicherheit im Straßenverkehr gefährdet ist.

Für eine effiziente Integration und Weiterentwicklung dieser Systeme ist daher ein umfassendes Testsystem erforderlich, das Fahreraufmerksamkeit und die Leistung der Assistenzsysteme unter realen Bedingungen überwacht, Defizite erkennt und diese für menschliche Expert bewertbar aufbereitet.

Ziele 

Mithilfe der Anschubfinanzierung soll:

• die Erprobung KI-basierter Assistenzsystem vorbereitet werden,
• Industriepartner für die Umsetzung gewonnen werden,
• ein fertiger Antrag bei einer Förderorganisation wie BMWK (ZIM), BMBF (KMU-Innovativ) oder Auftragsforschung von VW eingereicht werden.

Methoden

Die Müdigkeitserkennungsmethoden lassen sich in vier Kategorien unterteilen:

1. Vision-basierte Methoden: Am häufigsten verwendet, analysieren Gesichtsmerkmale wie Augen- und Mundbewegungen sowie Kopfhaltung.
2. Biologisch-basierte Methoden: Überwachen Herzfrequenz, Hirnaktivität, Atemfrequenz und Körpertemperatur.
3. Fahrzeug-basierte Methoden: Analysieren Fahrmuster wie Lenkwinkel und Spurverlassen.
4. Hybride Methoden: Kombinieren die oben genannten Ansätze für höhere Genauigkeit, z.B. bis zu 93 %. 

Herausforderungen

1. Realitätsnahe Simulation und Erfassung von Unaufmerksamkeit: Die Erkennung und genaue Messung von Unaufmerksamkeit und Müdigkeit während der Fahrt ist komplex und variiert stark zwischen einzelnen Fahrern. Eine Herausforderung besteht darin, authentische Szenarien zu schaffen, die auch subtilere Anzeichen von Aufmerksamkeitsverlust zuverlässig identifizieren können.
2. Berücksichtigung individueller Unterschiede: Unterschiedliche ethnische Merkmale, kulturelle Hintergründe sowie Sehbehinderungen beeinflussen die Funktionsweise der Assistenzsysteme. Die Systeme müssen daher so entwickelt und getestet werden, dass sie unabhängig von diesen Unterschieden robust und zuverlässig bleiben.
3. Technische Herausforderungen bei der Datenerfassung und -verarbeitung: Die Entwicklung eines Systems, das in Echtzeit arbeitet und große Datenmengen aus Sensoren und Kameras korrekt und ohne Verzögerung analysiert, erfordert hochpräzise Sensorik und leistungsfähige Algorithmen für die Datenverarbeitung.
4. Automatisierung und Standardisierung der Testverfahren: Die Automatisierung der Tests für Aufmerksamkeitsassistenten ist komplex, da die Tests eine Vielzahl von Szenarien, Nutzerprofilen und Bedingungen berücksichtigen müssen. Die Herausforderung besteht darin, Standards zu schaffen, die eine umfassende Testabdeckung und Wiederholbarkeit garantieren.
5. Vermeidung von Bias und Sicherstellung der Objektivität: Es besteht die Gefahr von Verzerrungen (Bias) in den Algorithmen, die bestimmte Merkmale wie Hautfarbe oder Gesichtszüge unterschiedlich verarbeiten. Die Herausforderung ist, sicherzustellen, dass die Systeme alle Nutzer gleich behandeln und keine systematischen Vorurteile aufweisen.
6. Datenzugang und Datenschutz: Für die Entwicklung und das Testen sind umfangreiche Daten erforderlich, was datenschutzrechtliche Bedenken aufwirft. Der Zugang zu realen und qualitativ hochwertigen Daten muss daher unter Einhaltung der geltenden Datenschutzgesetze und ethischen Standards erfolgen.

 

Zuordnung zum HRW-Leitthema

• Energie und Ressourcen
• Digitalisierung und Vernetzung