Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
16 Elektronik automot ive Autonomes FAhren Abgleichen der eingefahrenen Daten an – das sogenannte Labeling mit dem sichergestellt wird dass die Vergleichsdaten tatsächlich die Realität abbilden Pro Teststunde rechnet man hier bis zu 300 Stunden in denen konventionell jedes Bild und jeder gefahrene Meter von Menschen an Monitoren abgeglichen und ausgewertet werden muss Wurde die Fahrspur als solche erkannt? Ist der kleine Baum am Straßenrand vielleicht doch ein Mensch? Wurden zwei nebeneinander fahrende Motorräder vom System versehentlich als ein PKW gewertet? Menschen machen Fehler Um diesem enormen Aufwand des Labeling-Prozesses überhaupt zeitlich gerecht werden zu können greifen Hersteller und Zulieferer bislang weitgehend auf externe Dienstleister zurück Dort – meist in Ländern mit einem sehr niedrigen Stundenlohn – werten dann Hunderte von Mitarbeiter die Daten händisch aus labeln Frame für Frame Objekt für Objekt Danach werden diese Daten nochmals geprüft – denn immer dort wo Menschen detailintensiv aber eben auch sehr monoton an einer Aufgabe arbeiten können je nach Tagesform auch Fehler passieren Ein weiterer Nachteil der die Prozesse verzögert Die Rohdaten müssen für die Labeling-Prozesse langwierig übertragen werden Es handelt sich dabei oft um mehrere Terrabytes Datenmaterial das dazu noch kompatibel zu den von den Labeling-Providern genutzten Systemen sein und auf diese abgestimmt werden muss Abhängigkeiten entstehen Um schneller zu werden und gleichzeitig die Qualität zu steigern lassen erste Dienstleister einen Teil der Daten bereits von Algorithmen oder mithilfe von künstlicher Intelligenz labeln um ihre Mitarbeiter zu entlasten und den Prozess zu beschleunigen Gleichzeitig werden die manuell validierten Daten dazu verwendet um die Algorithmen zu trainieren und das sogenannte Vorlabeln zu verbessern Das System lernt also selbstständig und wird so aus sich selbst heraus optimiert Dies ist nicht nur mit enormen Kosten verbunden sondern mit einem weiteren ganz erheblichen Nachteil für die Hersteller der zu referenzierenden Systeme Der Besitz der Daten und das Knowhow um die Datenverwertung wird aus der eigenen Hand an unabhängige Unternehmen weitergegeben Dabei sind gerade automatisierte Fahrfunktionen ein immer wichtigerer Wettbewerbsvorteil von Fahrzeugherstellern Das Wissen darum wie diese entwickelt und so validiert werden dass sie sicher funktionieren ist längst zu einer Kernkompetenz ge worden Da das Erstellen von Referenzdaten so aufwendig ist haben die Daten also bereits als solche schon einen großen Wert da sie nicht »mal eben so« zu beschaffen sind sondern erst aufwendig eingefahren und ausgewertet werden müssen Jene Hersteller die dieses Knowhow auslagern laufen Gefahr in eine große Abhängigkeit von externen Dienstleistern zu geraten – mit unkalkulierbaren Auswirkungen auf eine mögliche Weitergabe von Technologien an Mitbewerber oder zukünftige Verhandlungspositionen zum Beispiel in der Preisgestaltung Die Abhängigkeit führt neben dem Risiko von Technologiespionage mittelfristig zu hohen Kosten und limitierter Flexibilität auf Herstellerseite Angesichts der Erkenntnis dass Daten und das Wissen wie und wo man diese einsetzt zukünftig weiter an Relevanz gewinnen werden erscheint die Lösung des externen Labelings also langfristig als Sackgasse Cloudbasierte holistische Lösung Ziel der Hersteller kann es nur sein die gesamte Prozesskette zur Erstellung von Referenzdaten wieder in die eigene Organisation zu integrieren um das Knowhow zu sichern aber auch um Wege zu verkürzen und bei Bedarf schnell und unkompliziert auf die Prozesse zugreifen und diese an wechselnde Use Cases anpassen zu können In dieser Prozesskette gilt es nun alle Einzelaufgaben so miteinander zu verknüpfen dass diese miteinander harmonieren und auf den künftigen Bedarf skalierbar sind Aus OEM Tier1-Sicht muss also nicht ein einzelnes Werkzeug gefunden werden sondern ein Gesamtsystem das das Aufnehmen der Referenzdaten das automatische Labeln Editieren Visualisieren und Auswerten holistisch abbildet Ibeo erprobt LiDAR-Systeme In Berlin und Peking validiert das Unternehmen seinen Real-Solid-StateibeoNEXT-Sensor für den chinesischen SUV-Hersteller Great Wall Motor Bild Ibeo Automotive System