01.04.2020

Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI

Die Zukunft des Fahrens ist autonom... Bis Fahrzeuge über die Fähigkeiten des menschlichen Fahrens verfügen, muss die AI aber noch ein paar Dinge lernen. Das in Graz ansässige Unternehmen AVL adressiert eines dieser Probleme gemeinsam mit dem im Silicon Valley ansässigen Technologieanbieter Deepen.AI.
/artikel/avl-deepen-ai
AVL trainiert die AI mit Deepen AI
(c) Adobe Stock / Monopoly919
sponsored

Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst. Um die Aufgabe des Fahrens zu bewältigen, müssen die autonomen Fahrsysteme (“Autonomous Driving Systems” / ADS) noch erfolgreich das Erkennen von Objekten und das Einschätzen von Situationen erlernen.

+++So hilft Software, menschliche Fehler beim Autofahren zu verhindern+++

Dieser Prozess läuft in mehreren Stufen ab. Die Objekterkennung muss in der ersten Phase feststellen, wo sich überhaupt ein Objekt befindet. Im zweiten Schritt wird dann ein erkanntes Objekt klassifiziert: Es wird festgestellt, ob es sich dabei beispielsweise um ein Fahrzeug, einen Erwachsenen, ein Kind oder ein Tier handelt – denn ein Kind verhält sich zum Beispiel anders als ein Erwachsener. Schließlich muss das System noch das sogenanntes# „Tracking“ durchführen: Dabei wird analysiert, wo sich das Objekt in der Vergangenheit befand, wo es sich nun befindet – um somit Rückschlüsse darüber zu ziehen, wo sich das Objekt vermutlich als nächstes befinden wird.

Die Datenspreu vom Datenweizen trennen

Selbstfahrende Autos nutzen dabei Daten verschiedener im Fahrzeug verbauter Sensoren – wie etwa Kameras oder der LiDAR-Sensor, welcher den Abstand der Objekte zum Auto misst. Diese Sensoren produzieren unzählige Daten – und eben diese Daten müssen korrekt zugeordnet werden, so dass die AI erkennen kann, welche Daten für die Sicherheit relevant sind und welche nicht.

Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel. Deepen hat in Zusammenarbeit mit der Firma AVL aus Graz eine Technologie zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt. Erste Ergebnisse dieser Zusammenarbeit wurden im Rahmen der CES 2020 in Las Vegas präsentiert.

PoC mit AVL für die Zukunft des autonomen Fahrens

Beim von drei ehemaligen Google-Mitarbeitern gegründeten Startup Deepen.AI geht es um die zuvor erwähnte Herausforderung, autonomen Fahrsystemen zu einem besseren Verständnis ihrer Umwelt zu verhelfen. Um dies zu erreichen, braucht die KI etwas menschliche Hilfe, um effektiv darin trainiert zu werden, korrekte Schlussfolgerungen zu ziehen. Neben den 17 Vollzeit-Mitarbeitern beschäftigt Deepen.AI daher rund 250 Menschen in Indien, welche die von den Sensoren erfassten Daten bereinigen und die KI darin trainieren, Objekte zu erkennen: So markieren sie zum Beispiel, wenn die AI einen Seitenspiegel bei einem Auto übersehen oder Objekte falsch klassifiziert hat. „Diese Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat“, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: „Sie helfen bei der Klassifizierung und Kalibrierung.“

Eben dieser starke Fokus auf Datenintegrität ist auch Schwerpunkt des gemeinsam mit AVL entwickelten PoC. „Es ist für AVL wichtig, auf Pixel- und Point-Level korrekt annotierte Daten zu haben“, erläutert Thomas Schlömicher, Research Engineer ADAS bei AVL. Im Idealfall soll im Rahmen der Kooperation eine komplette „Data Intelligence Pipeline“  entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.

 „Safety Pool“ als nächster Schritt nach dem PoC

„Gemeinsam“ ist auch das Stichwort hinter dem Ziel, das die Partner nach dem erfolgreichen PoC gemeinsam verfolgen möchten. Eine große Herausforderung für die Branche ist, dass die verschiedenen Autohersteller derzeit unterschiedliche Wege gehen, wobei jeder seinen eigenen Ansatz verfolgt. „Die Branche braucht aber Standards“, sagt Musa: Das sei die Basis dafür, dass jeder in die Sicherheit der Systeme vertraut.

Daher hat “Safety Pool™, (www.safetypool.ai), ein Projekt unter der Leitung von Deepen und dem Weltwirtschaftsforum, das Ziel, quantifizierte Benchmarks und einheitliche Beschreibungen von Fahrsituationen zu definieren, die dann nicht nur als Standards für die Industrie, sondern auch als solides Rückgrat zur Ableitung von konsensbasierten Sicherheitsbewertungen und Rahmenregelungen dienen sollen. Dies wird die Gesellschaft einen bedeutenden Schritt näher zum Ziel bringen, von den revolutionären Fähigkeiten der automatisierten Fahrtechnologien zu profitieren.

AVL und Deepen AI im Video-Talk

==> zur Website des Startups

==> zur Website der AVL Creators Expedition

Redaktionstipps
Deine ungelesenen Artikel:
vor 11 Stunden

Wiener Wärmepumpen-Startup ecop holt 8,5 Millionen Euro Finanzierung

Es will die Energiewende in der Industrie und darüber hinaus vorantreiben. Dafür erhielt es bereits reichlich Zuspruch - und nun auch eine Kapitalspritze in Millionenhöhe.
/artikel/ecop-millioneninvestment
vor 11 Stunden

Wiener Wärmepumpen-Startup ecop holt 8,5 Millionen Euro Finanzierung

Es will die Energiewende in der Industrie und darüber hinaus vorantreiben. Dafür erhielt es bereits reichlich Zuspruch - und nun auch eine Kapitalspritze in Millionenhöhe.
/artikel/ecop-millioneninvestment
(c) ecop

Es positioniert sich als Spezialist in der Entwicklung von “effizienten Hochtemperatur-Wärmepumpen für Industrie und Fernwärme”. Schlagzeilen schrieb es deshalb schon einige – auch Kapitalgeber sind an dem Modell des in Wien gegründeten Jungunternehmens ecop interessiert.

Mit Wärmerückgewinnung zur Energiewende

Trocknen, Destillieren oder Schmelzen sind tägliche Prozesse in der Industrie. Ohne die dazu notwendige Wärme wäre die Industrie nicht denkbar. Wärme macht nämlich über 70 Prozent des industriellen Energiebedarfs aus – brutkasten berichtete. Das Ganze wird dann verschwenderisch, wenn die durch Industrieprozesse entstandene Wärme nicht genutzt wird.

Diesem Problem nahm sich das Wiener Startup ecop an und entwickelte eine Lösung zur Wärmerückgewinnung mit Wärmepumpen. Dabei wird die von der Industrie erzeugte Prozesswärme in den Produktionsprozess zurückgeführt. Damit kann man jene Wärme nutzen, die ansonsten ungenutzt in die Umgebung freigesetzt würde.

Flexibler Einsatz in Industrie

Seit seiner Gründung 2007 verfolgt ecop das Ziel, Rotationspumpen als Schlüssel zur Wärmerückgewinnung in der Industrie durchzusetzen. Das Startup hat dafür eine Technologie entwickelt, die es selbst als weltweit einzigartig bezeichnet.

2015 wurde der erste vollfunktionsfähige Prototyp fertiggestellt. Die Technologie basiert auf einem neuartigen thermodynamischen Kreislauf und ermöglicht eine effiziente Rückgewinnung und Wiederverwendung von Fabrikabwärme mit direkten Ausgangstemperaturen von bis zu 200 °C. Die Rotationsgeschwindigkeit könne jederzeit abgeändert werden, um sich an verschiedene Temperaturen der Wärmequellen anzupassen.

2.500 Tonnen CO2 pro Jahr gespart

Industrieunternehmen soll es dank ecop also möglich sein, ihren Einsatz von Erdgas und fossilen Brennstoffen zur Wärmeerzeugung erheblich reduzieren zu können. Konkret sollen Einsparungen von 2.500 Tonnen CO2 pro Jahr möglich sein, heißt es von ecop.

“Unser Produkt ist eine revolutionäre Großwärmepumpe für die Industrie, die völlig neue Anwendungsfelder für die Verwertung von Abwärme schafft und als erste wirtschaftlich effektive Wärmepumpe für Temperaturen bis 150 Grad gilt”, sagte ecop-Gründer und Geschäftsführer Bernhard Adler gegenüber brutkasten im Jahr 2022.

3,9 Mio. im Sommer 2022 – nun frische 8,5 Mio. von EIC

Die Lösung fand auch von Seite einige Kapitalgeber Zuspruch. Mit einem Investment in Höhe von 3,9 Millionen Euro beteiligte sich im Sommer 2022 mit EIT InnoEnergy ein starker Partner am Unternehmen (brutkasten berichtete). Um die Skalierung zu managen, holte sich ecop die Wiener Beteilgungsgesellschaft epoona rund um Lothar Stadler und Werner Töpfl an Bord – beide zwei erfahren C-Level Manager aus der Industrie. Ziel war es damals, eine Series-A-Finanzierungsrunde in Höhe von zehn Millionen Euro abzuschließen.

Zwar nicht zehn, aber satte 8,5 Millionen Euro holte man sich nun vom EIC Accelerator, wie der Wärmepumpen-Spezialist am heutigen Freitag vermeldet. Der EIC Accelerator als Programm des European Innovation Council fördert DeepTech-Startups und Kleinunternehmen, die er in “einem hochkompetitiven Verfahren” auswählt.

EIC Accelerator förderte 68 von 347 Bewerbern

Direkte Zuschüsse werden in einer Höhe von bis zu 2,5 Millionen Euro vergeben, Kapitalbeteiligungen seien bis zu sechs Millionen Euro möglich. Nach eigenen Angaben erhält das DeepTech somit “die maximale Investitionssumme, um die Produktion seiner Rotations-Wärmepumpe zu skalieren”, heißt es per Aussendung.

Nach eigenen Angaben wurde ecop von der EIC Accelerator-Jury als eines der 969 Bewerber:innen zur Förderung ausgewählt. 347 Unternehmen kamen in die Interviewphase der Jury, 68 erhielten schließlich eine endgültige Finanzierungsrunde – darunter ecop. Insgesamt stellte das Investmentvehikel des European Innovation Council, der EIC-Fonds, eine Summe von 411 Millionen Euro zur verfügung, davon 165 Millionen in Form von direkten Zuschüssen und 245 Millionen in Form von Kapitalbeteiligungen.

Fabian Sacharowitz, seit April Co-CEO von ecop und früher Investment Director bei EIT InnoEnergy, äußert sich zur frischen Kapitalspritze wie folgt: „Das Innovations-Ökosystem der EU ist für uns eine wesentliche Unterstützung bei der Entwicklung unserer Technologie. Mit der Finanzierung können wir die Entwicklung unseres neuen Rotordesigns abschließen und den nächsten Skalierungsschritt starten sowie unsere Technologie noch breiter in den Markt bringen. Unternehmen und Kommunen können so bezahlbare CO2-freie Wärme erzeugen und ihre Betriebe nachhaltig versorgen.”

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI

  • Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst.
  • Zugleich muss die AI noch lernen, welche Daten für die Sicherheit relevant sind und welche nicht.
  • Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel, welches in einer Kooperation mit der in Graz ansässigen AVL einen Prototyp zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt hat.
  • “Die Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat”, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: “Sie helfen bei der Klassifizierung und Kalibrierung.”
  • Im Idealfall soll im Rahmen der Kooperation eine komplette “Data Intelligence Pipeline”  entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.
  • Im Rahmen des “Safety Pool Project” sollen gemeinsam mit dem World Economic Forum quantifizierte Benchmarks und einheitliche Objektklassen definiert werden, die dann als Standards für die Branche gelten.

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI

  • Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst.
  • Zugleich muss die AI noch lernen, welche Daten für die Sicherheit relevant sind und welche nicht.
  • Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel, welches in einer Kooperation mit der in Graz ansässigen AVL einen Prototyp zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt hat.
  • “Die Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat”, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: “Sie helfen bei der Klassifizierung und Kalibrierung.”
  • Im Idealfall soll im Rahmen der Kooperation eine komplette “Data Intelligence Pipeline”  entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.
  • Im Rahmen des “Safety Pool Project” sollen gemeinsam mit dem World Economic Forum quantifizierte Benchmarks und einheitliche Objektklassen definiert werden, die dann als Standards für die Branche gelten.

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI

  • Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst.
  • Zugleich muss die AI noch lernen, welche Daten für die Sicherheit relevant sind und welche nicht.
  • Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel, welches in einer Kooperation mit der in Graz ansässigen AVL einen Prototyp zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt hat.
  • “Die Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat”, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: “Sie helfen bei der Klassifizierung und Kalibrierung.”
  • Im Idealfall soll im Rahmen der Kooperation eine komplette “Data Intelligence Pipeline”  entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.
  • Im Rahmen des “Safety Pool Project” sollen gemeinsam mit dem World Economic Forum quantifizierte Benchmarks und einheitliche Objektklassen definiert werden, die dann als Standards für die Branche gelten.

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI

  • Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst.
  • Zugleich muss die AI noch lernen, welche Daten für die Sicherheit relevant sind und welche nicht.
  • Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel, welches in einer Kooperation mit der in Graz ansässigen AVL einen Prototyp zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt hat.
  • “Die Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat”, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: “Sie helfen bei der Klassifizierung und Kalibrierung.”
  • Im Idealfall soll im Rahmen der Kooperation eine komplette “Data Intelligence Pipeline”  entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.
  • Im Rahmen des “Safety Pool Project” sollen gemeinsam mit dem World Economic Forum quantifizierte Benchmarks und einheitliche Objektklassen definiert werden, die dann als Standards für die Branche gelten.

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI

  • Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst.
  • Zugleich muss die AI noch lernen, welche Daten für die Sicherheit relevant sind und welche nicht.
  • Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel, welches in einer Kooperation mit der in Graz ansässigen AVL einen Prototyp zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt hat.
  • “Die Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat”, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: “Sie helfen bei der Klassifizierung und Kalibrierung.”
  • Im Idealfall soll im Rahmen der Kooperation eine komplette “Data Intelligence Pipeline”  entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.
  • Im Rahmen des “Safety Pool Project” sollen gemeinsam mit dem World Economic Forum quantifizierte Benchmarks und einheitliche Objektklassen definiert werden, die dann als Standards für die Branche gelten.

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI

  • Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst.
  • Zugleich muss die AI noch lernen, welche Daten für die Sicherheit relevant sind und welche nicht.
  • Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel, welches in einer Kooperation mit der in Graz ansässigen AVL einen Prototyp zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt hat.
  • “Die Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat”, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: “Sie helfen bei der Klassifizierung und Kalibrierung.”
  • Im Idealfall soll im Rahmen der Kooperation eine komplette “Data Intelligence Pipeline”  entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.
  • Im Rahmen des “Safety Pool Project” sollen gemeinsam mit dem World Economic Forum quantifizierte Benchmarks und einheitliche Objektklassen definiert werden, die dann als Standards für die Branche gelten.

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI

  • Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst.
  • Zugleich muss die AI noch lernen, welche Daten für die Sicherheit relevant sind und welche nicht.
  • Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel, welches in einer Kooperation mit der in Graz ansässigen AVL einen Prototyp zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt hat.
  • “Die Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat”, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: “Sie helfen bei der Klassifizierung und Kalibrierung.”
  • Im Idealfall soll im Rahmen der Kooperation eine komplette “Data Intelligence Pipeline”  entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.
  • Im Rahmen des “Safety Pool Project” sollen gemeinsam mit dem World Economic Forum quantifizierte Benchmarks und einheitliche Objektklassen definiert werden, die dann als Standards für die Branche gelten.

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI

  • Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst.
  • Zugleich muss die AI noch lernen, welche Daten für die Sicherheit relevant sind und welche nicht.
  • Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel, welches in einer Kooperation mit der in Graz ansässigen AVL einen Prototyp zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt hat.
  • “Die Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat”, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: “Sie helfen bei der Klassifizierung und Kalibrierung.”
  • Im Idealfall soll im Rahmen der Kooperation eine komplette “Data Intelligence Pipeline”  entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.
  • Im Rahmen des “Safety Pool Project” sollen gemeinsam mit dem World Economic Forum quantifizierte Benchmarks und einheitliche Objektklassen definiert werden, die dann als Standards für die Branche gelten.

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI

  • Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst.
  • Zugleich muss die AI noch lernen, welche Daten für die Sicherheit relevant sind und welche nicht.
  • Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel, welches in einer Kooperation mit der in Graz ansässigen AVL einen Prototyp zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt hat.
  • “Die Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat”, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: “Sie helfen bei der Klassifizierung und Kalibrierung.”
  • Im Idealfall soll im Rahmen der Kooperation eine komplette “Data Intelligence Pipeline”  entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.
  • Im Rahmen des “Safety Pool Project” sollen gemeinsam mit dem World Economic Forum quantifizierte Benchmarks und einheitliche Objektklassen definiert werden, die dann als Standards für die Branche gelten.