20.03.2020

Autonomous vehicles: AVL optimizes object recognition in AI

The future of driving is autonomous… But until vehicles reach human-level driving capabilities, AI still has to learn a few things. The Graz-based company AVL is tackling some of these challenges together with the Silicon Valley based technology provider Deepen.AI.
/artikel/deepen-ai-avl
AVL trainiert die AI mit Deepen AI
(c) Adobe Stock / Monopoly919
sponsored

Simply leaning back instead of having to pay attention to traffic: That is the vision of autonomous driving. This is intended not only to make traveling more pleasant for the passengers, but also to make it safer than having one person at the steering wheel, when distractions and human errors are the leading cause of fatalities. Clearly, in order to successfully tackle the driving task, Autonomous Driving  Systems (ADS) must be able to recognize objects, assess situations correctly, and master driving skills.

+++How software helps to reduce human driving errors+++

This process takes place in several stages. In the first phase, the object detection must determine where an object is located at all. In the second step, a detected object is then classified: It is determined whether it is, for example, a vehicle, an adult, a child or an animal – because a child behaves differently from an adult, for example. Finally, the system must carry out the so-called „tracking“. This involves analyzing where the object was in the past and where it is now – in order to draw conclusions about where the object will probably be next.

Separating the data wheat from the data chaff

Self-driving cars use data from various sensors installed in the vehicle – such as cameras or LiDAR sensors, which measure the distance between the objects and the car. These sensors produce countless amounts of data – and it is precisely this data that must be correctly classified so that the AI can identify which part of it is relevant to safety and which is not.

This is where the Silicon-Valley company Deepen.AI comes into play. Deepen has developed technology for better detection and segmentation of object data in road traffic in cooperation with AVL, based in Graz. First results of this cooperation were presented at the CES 2020 in Las Vegas.

PoC with AVL for the future of autonomous driving

Deepen.AI, founded by three former Google employees, is about the aforementioned challenge of providing ADSs a correct understanding of the world surrounding them. To achieve this, AI needs some human help in order to be effectively trained to make correct inferences. That’s why, in addition to its 17 full-time employees, Deepen.AI works with around 250 people in India who clean up the data collected by the sensors and teach AI to recognize things: For example, they mark when the AI has overlooked a side mirror on a car or misclassified objects. „These data analysts clear up doubts that the AI has about some objects,“ explains Mohammad Musa, Co-Founder and CEO of Deepen.AI: „They help with classification and calibration.”

This very deep focus on data integrity is also the context of the PoC developed jointly with AVL. „It is important for AVL to have correctly annotated data at pixel and point level,“ explains Thomas Schlömicher, Research Engineer ADAS at AVL. Ideally, the cooperation should result in a complete „Data Intelligence Pipeline“, which will be used by AVL’s numerous B2B customers to annotate their data and thus jointly shape the future capabilities of autonomous driving.

 „Safety Pool“ as next step after PoC

„Together“ is also the keyword behind the joint goal that the partners want to pursue after the successful PoC. One big challenge affecting the industry is that the various car manufacturers are currently pursuing different paths, each one using its own proprietary approach. „But the industry needs standards,“ says Musa: “That is the basis for everyone to trust the safety of the systems.”

Therefore, „Safety Pool™, (www.safetypool.ai) a project led by Deepen and the World Economic Forum, has the goal to define quantified benchmarks and uniform descriptions of driving situations, which will then serve not only as standards for the industry, but also as a solid backbone to derive consensus-driven safety assessments and frame regulations. This will bring society one significant step closer to benefitting from the revolutionary capabilities of automated driving technologies.

Video-Talk with AVL and Deepen AI

==> Deepen AI

==> AVL Creators Expedition

Redaktionstipps
Deine ungelesenen Artikel:
06.08.2026

Public Venture Clienting: Der Staat als Startup-Kunde

Im Gastbeitrag behandelt Corporate-Venturing-Expertin Viktoria Ilger die Chancen, die Public Venture Clienting bieten kann.
/artikel/public-venture-clienting-der-staat-als-startup-kunde
06.08.2026

Public Venture Clienting: Der Staat als Startup-Kunde

Im Gastbeitrag behandelt Corporate-Venturing-Expertin Viktoria Ilger die Chancen, die Public Venture Clienting bieten kann.
/artikel/public-venture-clienting-der-staat-als-startup-kunde
Viktoria Ilger
Viktoria Ilger | Foto: Viktoria Ilger/Adobe Stock (Hintergrund)

Dieser Text ist zuerst im brutkasten-Printmagazin von Mai 2026 „Die nächste Stufe“ erschienen. Eine Download-Möglichkeit des gesamten Magazins findet sich am Ende dieses Artikels.


Österreich beschafft jährlich Güter, IT-Leistungen und Dienstleistungen im Wert von rund 67 ­Milliarden Euro – etwa 18 Prozent des BIP. Gleichzeitig erwirtschaften laut Austrian Startup Monitor 2023 gerade einmal fünf Prozent der heimischen Startups Umsätze mit öffentlichen Organisationen.

Dieses Missverhältnis ist kein Zufall und kein Versagen einzelner Akteure. Es ist das Ergebnis zweier Welten, die aneinander vorbeireden – und eine Chance, die Österreich systematisch liegen lässt.

Warum Innovation heute Partnerschaften braucht

Unsere Welt wird zunehmend komplexer: Neue Technologien entstehen schneller, als Organisationen sie intern entwickeln können. Lieferketten werden vernetzter, Kundenanforderungen anspruchsvoller, regulatorische Rahmenbedingungen vielschichtiger. In diesem Umfeld ist es weder möglich noch sinnvoll, alles selbst zu entwickeln. Was es braucht, sind smarte Partnerschaften – mit Unternehmen, die genau das lösen, wofür intern Zeit, Team, Ressourcen oder Kernkompetenzen fehlen.

Startups sind dafür prädestiniert: Sie arbeiten mit starkem Problemfokus, entwickeln schlanke Lösungen und bringen eine Geschwindigkeit mit, die etablierte Organisationen strukturell nur schwer erreichen. Viele große Unternehmen im DACH-Raum haben das längst erkannt.

Doch einfach bei Startups einzukaufen funktioniert nicht – klassische Einkaufsprozesse, Rechtsabteilungen und Risikomanagement-Strukturen sind auf Stabilität ausgelegt: bewährte Lieferanten, lange Referenzlisten, geprüfte Bilanzen. Ein Startup mit 18 Monaten Geschichte fällt durch dieses Raster; nicht, weil die Lösung schlecht ist, sondern weil die Prozesse keine Ausnahme kennen. Das Ergebnis: Startups scheitern nicht am Produkt, sondern an der Bürokratie.

Ein Modell, das in der Praxis bereits funktioniert

Venture Clienting wurde als strukturierte Antwort auf genau dieses Problem entwickelt. Kein Fördermodell, keine Beteiligung, kein Accelerator-Programm – sondern ein klarer Prozess: Problemstellungen aus den Fachabteilungen werden identifiziert, passende Startups gescoutet und strukturiert evaluiert. Dann folgt ein Pilotprojekt unter realen Bedingungen, mit definierten Hypothesen und messbaren KPIs. Das Ziel ist nicht das Pilotprojekt selbst, sondern die fundierte Entscheidung danach: skalieren, stoppen oder weiter iterieren?

BMW hat den Ansatz mit der Startup Garage salonfähig gemacht; mittlerweile setzen viele Unternehmen im DACH-Raum und darüber hinaus darauf. Gerade in einer Zeit knapper Budgets gewinnen Effizienzgewinne aus der Zusammenarbeit mit Startups strategisch an Bedeutung.

Public Venture Clienting überträgt diesen Prozess auf die öffentliche Hand: Öffentliche Organisationen und staatsnahe Unternehmen treten als frühe zahlende Kund:innen auf. Die öffentliche Organisation bekommt eine funktionierende Lösung für ein konkretes Problem, das Startup bekommt das Wertvollste, was es in einer frühen Phase bekommen kann: einen zahlenden Kunden, einen Markttest, eine Referenz; und damit offene Türen zu weiteren Märkten und Investoren.

Warum Public Venture Clienting gerade jetzt an Bedeutung gewinnt

Die öffentliche Hand steht unter Druck: Digitalisierung, Klimawende, Versorgungssicherheit und Effizienzsteigerung müssen gleichzeitig vorangetrieben werden – bei begrenzten Ressourcen und steigenden Erwartungen von Bürger:innen und Politik. Startups liefern hier schnelle, digitale und nutzerzentrierte Lösungen für Verwaltung, Mobilität, Klima, Energie und Bürgerdienste; Lösungen, die der öffentliche Sektor in dieser Geschwindigkeit oft nicht selbst entwickeln kann.

Startups stehen unter einem anderen, aber gleichwertigen Druck – Risikokapital-Finanzierungen sind zurückgegangen, der Druck von Investor:innen wegen früher Umsätze ist gestiegen. Hier liegt ein fundamentales Paradox: Österreich hat einen der größten potenziellen Märkte direkt vor der Haustür (67 Milliarden Euro Beschaffungsvolumen), und doch ist dieser Markt für die meisten Startups praktisch nicht zugänglich. Ein öffentlicher Pilotkunde ändert das schlagartig: Cashflow, Stabilität – und eine Referenz, die kein Investor kaufen kann.

Hinzu kommt die dritte Dimension: der Standort. Ein Ökosystem, in dem öffentliche Organisationen systematisch als frühe Kunden auftreten, stärkt heimische Startups auf dem Weg zur Skalierung – und macht Österreich als Innovationsstandort attraktiver. Nicht als Schlagwort, sondern als messbarer Wettbewerbsvorteil im europäischen Vergleich.

Österreich hat eine sehr gute öffentliche Frühphasenfinanzierung für Startups geschaffen und mit dem Dachfonds entsteht Wachstumskapital für Skalierung und Internationalisierung. Das ist richtig und wichtig – und reicht trotzdem nicht. Denn Kapital allein macht aus einer guten Idee noch keine Innovation. Was eine Idee zur Innovation macht, ist die Marktannahme: der Moment, in dem ein echter Kunde echtes Geld bezahlt. Erst dieser Beweis macht aus einem Produkt ein skalierbares Unternehmen. Public Venture Clienting ist damit eine notwendige Ergänzung. Die Kombination aus Kapital und Marktzugang ist der entscheidende Hebel.

Wo die Zusammenarbeit heute an ihre Grenzen stößt

Für das Whitepaper „Public Venture Clienting“ wurden ausführliche Gespräche mit Führungskräften und Mitarbeitenden aus Verwaltung, staatsnahen Unternehmen und der Startup-Szene geführt. Die Herausforderungen sind strukturell tiefer verwurzelt als oft angenommen – und lassen sich in vier Bereiche unterteilen.

Kulturelle Unterschiede

Startups agieren schnell, iterativ und mit hoher Fehlertoleranz. Öffentliche Organisationen sind durch strenge Regulierungen, formale Prozesse und Verantwortlichkeit geprägt – jede Entscheidung muss öffentlich verantwortet werden können. Diese unterschiedlichen Betriebssysteme erzeugen täglich Reibung und Missverständnisse. Ohne bewusste Brückenbauer:innen auf beiden Seiten führt das zu Stillstand.

Fehlende Schnittstellen und Silostrukturen

Für Startups ist oft unklar, wer innerhalb der Organisation zuständig ist, wer entscheidet, wer Budget hat. Bedarfsträger:innen, Einkauf und Rechtsabteilung agieren in Silos mit unterschiedlichen Zielsystemen und ohne gemeinsame Verantwortung für Innovationsprojekte. Diese Fragmentierung erzeugt Reibungsverluste und macht es schwer, eine Tür zu finden, die wirklich aufgeht.

Unterschiedliche Budgethorizonte

Startups operieren mit begrenzter Liquidität und brauchen rasche Entscheidungen sowie zeitnahe Zahlungen. Öffentliche Organisationen planen in Jahreshaushalten. Selbst kleine Beträge für erste Pilotierungen unterliegen langen internen Freigabeprozessen – ein strukturelles Missverhältnis, das Kooperationen abbremst, noch bevor sie begonnen haben.

Rechtliche Unsicherheit und Vergaberecht

Das Vergaberecht ist komplexer, als es auf den ersten Blick scheint – in beide Richtungen. Für Startups ist es eine strukturelle Hürde: Vergabeverfahren verlangen Eignungsnachweise wie Mindestumsätze, Bonitätsnachweise oder Referenzprojekte, die junge Unternehmen kaum erfüllen können. Ein überzeugendes MVP reicht formal nicht aus. Auf der anderen Seite existieren Spielräume: funktionale Leistungsbeschreibungen, Innovationspartnerschaften, Direktvergaben bis 143.000 Euro. Das Problem ist oft nicht das formale Erlaubtsein, sondern die Prüfrealität dahinter: Vergabeentscheidungen müssen ex post gegenüber Kontroll- und Prüfstellen – insbesondere dem Rechnungshof – tragfähig begründet werden können. Diese Anforderung prägt das tatsächliche Entscheidungshandeln oft stärker als der gesetzliche Spielraum selbst. Das Ergebnis: Innovative Beschaffungsansätze werden vor allem dort genutzt, wo sie in standardisierte, intern abgestimmte Prozesse eingebettet sind. Wo das fehlt, entscheiden Einkauf, Recht und Fachabteilungen mit unterschiedlichen Zielen und ohne gemeinsame Verantwortung für das Innovationsprojekt als Ganzes.

Vom Einzelfall zur Struktur

Public Venture Clienting ist ein Lernprozess für alle Beteiligten. Öffentliche Organisationen entwickeln ein besseres Verständnis für iterative Innovationsprozesse; Startups lernen, wie Vergabe- und Entscheidungslogiken im öffentlichen Bereich funktionieren. Beide Seiten gewinnen Sicherheit in der Zusammenarbeit.

Was es dafür braucht, zeigen die Interviews deutlich: klare Zuständigkeiten. Wer ist verantwortlich für die Zusammenarbeit mit Startups? Wer begleitet den Übergang vom Pilotprojekt in die Skalierung? Öffentliche Organisationen, die das intern klar regeln – mit einer zentralen Anlaufstelle, interdisziplinären Teams aus Bedarfsträger:innen, Einkauf und Recht sowie definierten Prozessen –, schaffen die Grundlage, auf der alles andere aufbaut.

Das Vergaberecht muss dabei kein Feind sein. Statt Einzelentscheidungen fallweise abzusichern – oft mit externen Gutachten, die Zeit und Geld kosten –, braucht es standardisierte Schablonen: Begründungstexte für Direktvergaben, Checklisten für funktionale Ausschreibungen, klare Pilotklauseln.

Wenn öffentliche Beschaffung konsequent als Innovationsinstrument verstanden wird, verwandelt sie sich vom bürokratischen Pflichtprogramm in einen Motor für Fortschritt, Digitalisierung und Standortentwicklung. Nicht vom Einzelfall zur Ausnahme – sondern vom Einzelfall zur Struktur.

Wie das konkret gelingen kann – mit Handlungsempfehlungen, Best Practices und einem detaillierten Blick auf das Vergaberecht –, zeigt das vollständige Whitepaper, das im Juni erschienen ist.


Dieser Text ist ein Sneakpeek aus dem Whitepaper „Public Venture Clienting“, veröffentlicht in Kooperation mit Viktoria Ilger und Venture Clienting Austria (VCA).

Viktoria Ilger unterstützt mit ihrem Unternehmen Sustainable Transformers Organisationen dabei, Innovation strukturiert in die Anwendung zu bringen – mit besonderem Fokus auf Corporate Venturing und der Zusammenarbeit mit Startups. Zuvor hat sie über mehrere Jahre die Open-Innovation-Aktivitäten eines internationalen Technologieunternehmens aufgebaut. Sie ist Mitgründerin und Vorstandsmitglied von Venture Clienting Austria (VCA), einem Verein, der den Austausch rund um Venture Clienting in Österreich fördert und Best Practices zwischen Unternehmen, öffentlicher Hand und Startups sichtbar macht.

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

Autonomous vehicles: AVL optimizes object recognition in AI

  • Clearly, in order to successfully tackle the driving task, Autonomous Driving  Systems (ADS) must be able to recognize objects, assess situations correctly, and master driving skills.
  • Self-driving cars use data from various sensors installed in the vehicle – such as cameras or LiDAR sensors, which measure the distance between the objects and the car.
  • Deepen has developed technology for better detection and segmentation of object data in road traffic in cooperation with AVL, based in Graz.
  • „It is important for AVL to have correctly annotated data at pixel and point level,“ explains Thomas Schlömicher, Research Engineer ADAS at AVL.
  • Ideally, the cooperation should result in a complete „Data Intelligence Pipeline“, which will be used by AVL’s numerous B2B customers to annotate their data and thus jointly shape the future capabilities of autonomous driving.

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

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

Autonomous vehicles: AVL optimizes object recognition in AI

  • Clearly, in order to successfully tackle the driving task, Autonomous Driving  Systems (ADS) must be able to recognize objects, assess situations correctly, and master driving skills.
  • Self-driving cars use data from various sensors installed in the vehicle – such as cameras or LiDAR sensors, which measure the distance between the objects and the car.
  • Deepen has developed technology for better detection and segmentation of object data in road traffic in cooperation with AVL, based in Graz.
  • „It is important for AVL to have correctly annotated data at pixel and point level,“ explains Thomas Schlömicher, Research Engineer ADAS at AVL.
  • Ideally, the cooperation should result in a complete „Data Intelligence Pipeline“, which will be used by AVL’s numerous B2B customers to annotate their data and thus jointly shape the future capabilities of autonomous driving.

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

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

Autonomous vehicles: AVL optimizes object recognition in AI

  • Clearly, in order to successfully tackle the driving task, Autonomous Driving  Systems (ADS) must be able to recognize objects, assess situations correctly, and master driving skills.
  • Self-driving cars use data from various sensors installed in the vehicle – such as cameras or LiDAR sensors, which measure the distance between the objects and the car.
  • Deepen has developed technology for better detection and segmentation of object data in road traffic in cooperation with AVL, based in Graz.
  • „It is important for AVL to have correctly annotated data at pixel and point level,“ explains Thomas Schlömicher, Research Engineer ADAS at AVL.
  • Ideally, the cooperation should result in a complete „Data Intelligence Pipeline“, which will be used by AVL’s numerous B2B customers to annotate their data and thus jointly shape the future capabilities of autonomous driving.

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 …

Autonomous vehicles: AVL optimizes object recognition in AI

  • Clearly, in order to successfully tackle the driving task, Autonomous Driving  Systems (ADS) must be able to recognize objects, assess situations correctly, and master driving skills.
  • Self-driving cars use data from various sensors installed in the vehicle – such as cameras or LiDAR sensors, which measure the distance between the objects and the car.
  • Deepen has developed technology for better detection and segmentation of object data in road traffic in cooperation with AVL, based in Graz.
  • „It is important for AVL to have correctly annotated data at pixel and point level,“ explains Thomas Schlömicher, Research Engineer ADAS at AVL.
  • Ideally, the cooperation should result in a complete „Data Intelligence Pipeline“, which will be used by AVL’s numerous B2B customers to annotate their data and thus jointly shape the future capabilities of autonomous driving.

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 …

Autonomous vehicles: AVL optimizes object recognition in AI

  • Clearly, in order to successfully tackle the driving task, Autonomous Driving  Systems (ADS) must be able to recognize objects, assess situations correctly, and master driving skills.
  • Self-driving cars use data from various sensors installed in the vehicle – such as cameras or LiDAR sensors, which measure the distance between the objects and the car.
  • Deepen has developed technology for better detection and segmentation of object data in road traffic in cooperation with AVL, based in Graz.
  • „It is important for AVL to have correctly annotated data at pixel and point level,“ explains Thomas Schlömicher, Research Engineer ADAS at AVL.
  • Ideally, the cooperation should result in a complete „Data Intelligence Pipeline“, which will be used by AVL’s numerous B2B customers to annotate their data and thus jointly shape the future capabilities of autonomous driving.

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 …

Autonomous vehicles: AVL optimizes object recognition in AI

  • Clearly, in order to successfully tackle the driving task, Autonomous Driving  Systems (ADS) must be able to recognize objects, assess situations correctly, and master driving skills.
  • Self-driving cars use data from various sensors installed in the vehicle – such as cameras or LiDAR sensors, which measure the distance between the objects and the car.
  • Deepen has developed technology for better detection and segmentation of object data in road traffic in cooperation with AVL, based in Graz.
  • „It is important for AVL to have correctly annotated data at pixel and point level,“ explains Thomas Schlömicher, Research Engineer ADAS at AVL.
  • Ideally, the cooperation should result in a complete „Data Intelligence Pipeline“, which will be used by AVL’s numerous B2B customers to annotate their data and thus jointly shape the future capabilities of autonomous driving.

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 …

Autonomous vehicles: AVL optimizes object recognition in AI

  • Clearly, in order to successfully tackle the driving task, Autonomous Driving  Systems (ADS) must be able to recognize objects, assess situations correctly, and master driving skills.
  • Self-driving cars use data from various sensors installed in the vehicle – such as cameras or LiDAR sensors, which measure the distance between the objects and the car.
  • Deepen has developed technology for better detection and segmentation of object data in road traffic in cooperation with AVL, based in Graz.
  • „It is important for AVL to have correctly annotated data at pixel and point level,“ explains Thomas Schlömicher, Research Engineer ADAS at AVL.
  • Ideally, the cooperation should result in a complete „Data Intelligence Pipeline“, which will be used by AVL’s numerous B2B customers to annotate their data and thus jointly shape the future capabilities of autonomous driving.

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

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

Autonomous vehicles: AVL optimizes object recognition in AI

  • Clearly, in order to successfully tackle the driving task, Autonomous Driving  Systems (ADS) must be able to recognize objects, assess situations correctly, and master driving skills.
  • Self-driving cars use data from various sensors installed in the vehicle – such as cameras or LiDAR sensors, which measure the distance between the objects and the car.
  • Deepen has developed technology for better detection and segmentation of object data in road traffic in cooperation with AVL, based in Graz.
  • „It is important for AVL to have correctly annotated data at pixel and point level,“ explains Thomas Schlömicher, Research Engineer ADAS at AVL.
  • Ideally, the cooperation should result in a complete „Data Intelligence Pipeline“, which will be used by AVL’s numerous B2B customers to annotate their data and thus jointly shape the future capabilities of autonomous driving.

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

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

Autonomous vehicles: AVL optimizes object recognition in AI

  • Clearly, in order to successfully tackle the driving task, Autonomous Driving  Systems (ADS) must be able to recognize objects, assess situations correctly, and master driving skills.
  • Self-driving cars use data from various sensors installed in the vehicle – such as cameras or LiDAR sensors, which measure the distance between the objects and the car.
  • Deepen has developed technology for better detection and segmentation of object data in road traffic in cooperation with AVL, based in Graz.
  • „It is important for AVL to have correctly annotated data at pixel and point level,“ explains Thomas Schlömicher, Research Engineer ADAS at AVL.
  • Ideally, the cooperation should result in a complete „Data Intelligence Pipeline“, which will be used by AVL’s numerous B2B customers to annotate their data and thus jointly shape the future capabilities of autonomous driving.