Problemstellung

Für das autonome, vernetzte Fahren sollte ein Datensatz erarbeitet werden, der die Anwendung von Methoden des aktiven Föderalen Lernens im Bereich der mobilen Objekterkennung anhand realer Verkehrsszenarien ermöglicht. Untersucht wurden Herausforderungen bei der Aggregation lokaler Modelle sowie der Einfluss von Pseudolabel- Qualität und Bildauswahl auf den Objekterkennungsalgorithmus und das Gesamtmodell.

Schwerpunkte des Projekts:

• Analyse aktiver Föderaler Lernmethoden für die Verkehrsobjekterkennung
• Aufbau eines Demonstrators für Föderales Lernen
• Erstellung eines annotierten Bilddatensatzes zur Veröffentlichung in der Mobilithek

Ergebnisse und Wirkungen

Die Machbarkeitsstudie zeigte, dass das im Projekt entwickelte System des aktiven Föderalen Lernens die Genauigkeit des Grundmodells zum Teil deutlich übertrifft. Die Annotationseffizienz wurde gesteigert, und die durch Föderation erzeugte Heterogenität wirkt sich positiv auf die Genauigkeit aus. Die Ergebnisse wurden auf einer internationalen Konferenz präsentiert.

Es wurde ein Datensatz bereitgestellt, der als Grundlage für weitere Arbeiten zum autonomen Fahren dienen kann.

Zwar führten die Ergebnisse nicht zu unmittelbaren Investitionen oder Ausgründungen, sie schaffen jedoch eine belastbare Basis für weiterführende Forschungsaktivitäten.