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:
03.09.2026

Wie Fullstacks von Wien aus in 5 Jahren auf achtstellige Umsätze kam

2021 in Wien gestartet, hat Fullstacks Standorte in Deutschland und der Schweiz, fast 60 Mitarbeiter:innen und große Namen als Kunden. Wir sprachen mit Co-Founder Sebastian Mangelkramer über die Erfolgsgeheimnisse des IT-Dienstleisters.
/artikel/wie-fullstacks-von-wien-aus-in-5-jahren-auf-achtstellige-umsaetze-kam
03.09.2026

Wie Fullstacks von Wien aus in 5 Jahren auf achtstellige Umsätze kam

2021 in Wien gestartet, hat Fullstacks Standorte in Deutschland und der Schweiz, fast 60 Mitarbeiter:innen und große Namen als Kunden. Wir sprachen mit Co-Founder Sebastian Mangelkramer über die Erfolgsgeheimnisse des IT-Dienstleisters.
/artikel/wie-fullstacks-von-wien-aus-in-5-jahren-auf-achtstellige-umsaetze-kam
Das Fullstacks-Management vl.: Philipp Kainz, Sebastian Mangelkramer, Fabian Regitz und Philipp Schlaffer | (c) Fullstacks
Das Fullstacks-Management vl.: Philipp Kainz, Sebastian Mangelkramer, Fabian Regitz und Philipp Schlaffer | (c) Fullstacks

Die Rewe Group, die Neue Zürcher Zeitung, die ÖBB, Erste Digital, die Wirtschaftskammer, die Österreichische Banknoten- und Sicherheitsdruck GmbH, Admiral oder die niederösterreichische Landesregierung – die Liste namhafter Referenzkunden des 2021 in Wien gestarteten Platform-Engineering-Spezialisten Fullstacks ließe sich noch eine Zeit lang fortsetzen. Was sie alle gemeinsam haben: Sie arbeiten in regulatorisch anspruchsvollen Umfeldern.

„Unser Ansatz ist klar, dass wir immer compliant und secure by design sind“, sagt Sebastian Mangelkramer im Gespräch mit brutkasten. Er hat Fullstacks gemeinsam mit Philipp Kainz gegründet, später kamen Philipp Schlaffer und Fabian Regitz ins C-Level und als Anteilseigner dazu und bauten Standorte in der Schweiz und Deutschland auf. „Wir haben unser Ökosystem sukzessive erweitert, damit wir unserem Namen gerecht werden. Fullstacks bedeutet top-down alles von der Enterprise-Architektur über Softwaremodernisierung, Platform Ops, Architektur, Planung, Inbetriebnahme und letztlich Managed Services“, erklärt der Gründer.

Digitale Souveränität „bereits Teil des Gründungsimpulses“

Dabei setzt der IT-Dienstleister auch auf eines der ganz großen aktuellen Themen: Digitale Souveränität. „Souveränität und Offenheit waren bereits Teil unseres Gründungsimpulses. Wir hatten damals sogar Angst, zu spät dran zu sein. Aber es stellte sich heraus: Wir haben genau das richtige Timing erwischt. Jetzt, wo die Nachfrage richtig hoch ist, können wir liefern und trauen uns auch dicke Dinger zu.“

Mehr als 14 Mio. Euro Umsatz im Vorjahr

Heute hat der Platform-Engineering-Spezialist knapp unter 60 Mitarbeiter:innen und verdoppelte ihren Umsatz im Vergleich von 2024 zu 2025 auf mehr als 14 Millionen Euro – „bei 20 Prozent Umsatzrendite“, wie Mangelkramer betont. In den schwarzen Zahlen ist Fullstacks aber nicht erst seit Kurzem. „Wir mussten von Tag eins rentabel sein. Das ging gar nicht anders. Wenn wir nicht rentabel gewesen wären, dann wäre unser Kühlschrank leer gewesen“, erzählt der Gründer.

Sebastian Mangelkramer ist Co-Founder und CEO von Fullstacks | (c) Fullstacks

Und bis heute ist das Unternehmen komplett eigenfinanziert. „Wir haben uns am Anfang 100.000 Euro von einem engen Freund privat geliehen. Das war aber eigentlich nur notwendig, um Sicherheit zu haben, um einen Knoten im Kopf aufzulösen. Wir haben das Geld nie angerührt, weil wir immer so viel Respekt davor hatten“, so Mangelkramer. Das Geld für die Eintragung der GmbH habe er sich von seinem Vater geliehen.

„Wir brauchen Leute, die zupacken, die eine ‚Whatever it takes‘-Mentalität haben“

Und schon im ersten Geschäftsjahr schrieb Fullstacks 900.000 Euro Umsatz – zu zweit mit Co-Founder Philipp Kainz. Dann holte man den ersten Mitarbeiter an Bord; später Philipp Schlaffer und Fabian Regitz als Geschäftspartner. Seitdem wuchs das Team konstant. Doch Mangelkramer betont: „Es darf und kann nicht jeder zu uns. Wir brauchen Leute, die zupacken, die eine ‚Whatever it takes‘-Mentalität haben, die unternehmerisch denken und einfach Bock haben.“

Diese Autonomie ermögliche es Fullstacks auch, trotz Wachstums ein „Speedboat“ zu bleiben. „Unsere Leute müssen selbst entscheiden. Wir übertragen Verantwortung und fordern sie auch ein. So bleibt man schnell und effizient“, sagt der Gründer. Doch er räumt ein: „Auch wir als Unternehmer dahinter sind greifbar. Man kann uns ‚beim Krawattl packen‘, wenn irgendwas nicht funktioniert.“ Letztlich sei es dennoch das Ziel, „sich überflüssig zu machen“. Und das funktioniere bereits gut: „Philipp und ich können mehrere Wochen gleichzeitig auf Urlaub gehen und der Laden läuft.“

Ziel: „ein signifikanter europäischer Player zu sein“

Doch das ist freilich nicht das einzige Ziel. Denn mit dem, was bereits erreicht wurde, will sich Mangelkramer noch lange nicht zufrieden geben. „Ich denke in Unternehmensphasen. Phase eins waren Fundament und Identität. Das haben wir gut erreicht. Jetzt sind wir in der zweiten Phase: Skalierung und Differenzierung.“ Hier wolle man in den kommenden Jahren noch auf 100 bis 150 Mitarbeiter:innen anwachsen, die Premium-Brand ausbauen und das laufende Geschäft mit Managed Services festigen.

Die dritte Phase schließlich betitelt Mangelkramer mit „Expansion und Nachhaltigkeit“. „Das heißt, nachhaltige Profitabilität, ein selbsttragendes Leadership-System und – vielleicht nach den Sternen gegriffen – aber ein signifikanter europäischer Player zu sein“, so der Gründer. Und wie kommt man dorthin? „Man muss immer kritisch sein, immer am Ball bleiben. Permanente Veränderung und Anpassungen sind der Kern.“

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.