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:
30.09.2026

„Sales before the product“: Florian Kandler über Traction und den Weg zu den ersten Kund:innen

„Ich kann nichts verkaufen, ich habe das Produkt noch nicht": Für Florian Kandler ist das einer der großen Denkfehler junger Gründer:innen. Im Interview erklärt der Startup-Coach, wie man Traction aufbaut, bevor das Kapital dafür da ist.
/artikel/sales-before-the-product-florian-kandler-interview
30.09.2026

„Sales before the product“: Florian Kandler über Traction und den Weg zu den ersten Kund:innen

„Ich kann nichts verkaufen, ich habe das Produkt noch nicht": Für Florian Kandler ist das einer der großen Denkfehler junger Gründer:innen. Im Interview erklärt der Startup-Coach, wie man Traction aufbaut, bevor das Kapital dafür da ist.
/artikel/sales-before-the-product-florian-kandler-interview
Startup-Coach Florian Kandler rät Gründer:innen, schon vor dem fertigen Produkt zu verkaufen | Foto: Bianca Perfahl

Florian Kandlers Startup Report erscheint heuer in elfter Ausgabe und wurde im Mai gemeinsam mit KPMG präsentiert. Er ist bewusst kein Datenwerk und kein politisches Papier: Die Zahlen bekomme man ohnehin auf Knopfdruck, so Kandler. Stattdessen befragt er jene Gründer:innen, die bereits Funding eingesammelt haben, nach ihren konkretesten Learnings. Kandler hat seit seiner Rückkehr aus dem Silicon Valley über 3.000 Gründer:innen begleitet, die zusammen mehr als eine Milliarde Euro aufgenommen haben, und ist bereits im achten Jahr offizieller Startup-Coach bei „2 Minuten 2 Millionen“.

Aus den Antworten lässt sich heuer eines klar herauslesen: Der Druck Richtung Traction steigt. Kapital konzentriert sich auf wenige Segmente, die Abstände zwischen den Runden werden länger, und Investor:innen wollen Proof from the Market sehen, nicht bloß eine gute Geschichte. Lukas Lauder von Repark bringt es im Report auf den Punkt: „Investors don’t invest in your product, they invest in momentum.“

Daraus ergibt sich ein Dilemma, das gerade First-Time-Founder kennen: Wie baut man Traction auf, wenn das Kapital dafür noch fehlt? Kandlers Antwort ist ein Mindset-Shift, den er „Sales before the product“ nennt.

Du machst den Report seit elf Jahren. Welcher Trend sticht heuer am stärksten heraus?

Die starke Verschiebung hin zu Traction. Die Leute wollen immer mehr Momentum und Proof from the Market sehen, nicht nur den Beweis, dass jemand eine gute Geschichte erzählen kann oder dass theoretisch Potenzial da ist. Stefan Steiner von Don’t Call it Deo sagt es so: nicht nur auf die Idee fokussieren, sondern auf Market Traction. Storytelling ist für Pitch Competitions oder Community Pitches nett, aber wenn du mit Investor:innen sprichst, musst du in einen anderen Gang schalten. Da zählt Groove.

Zieht sich das durch alle Phasen?

Durch alle Fundingphasen, von den ganz Kleinen bis zu den Großen. Nur bedeutet Traction in jeder Phase etwas anderes, und es verschiebt sich, was dort durchschnittlich und was überdurchschnittlich ist. Was sich nicht verschiebt: Es muss heute einfach mehr an Traction da sein als noch vor einigen Jahren. Eine Idee und eine tolle Vision allein, und dann kommt das Geld, das funktioniert nicht mehr.

Das klingt nach einem Dilemma: Ohne Kapital ist Traction schwer aufzubauen.

Das ist einer der großen Denkfehler, die ich bei jungen Gründer:innen immer wieder sehe. Viele kommen mit: „Ich hatte vor Jahren die Idee, habe daran gebastelt, das Potenzial ist riesig, und jetzt suche ich einen strategischen Investor, der mich bei Marketing und Vertrieb unterstützt.“ Bastler mit Idee, null Market Validation. Oder: „Ich kann ja nichts verkaufen, ich habe das Produkt noch nicht.“ Das ist grundfalsch. In der Sekunde, in der du die Idee hast, überlegst du: Wer ist die ideale Zielgruppe? Du baust deine Hypothese darum, gehst raus und sprichst mit diesen Leuten, auch wenn dein Produkt erst in drei Jahren fertig ist. Die Traction, die du aufbaust, ist das Interesse, das du dort erzeugst.

Hast du ein Beispiel?

Ich betreue gerade einen Gründer, der schon jetzt Pre-Orders schreibt und pro Kunde 10.000 Euro kassiert, damit sich diese das Recht sichern, die ersten Pilotkunden werden zu dürfen. Das Produkt ist noch lange nicht fertig, er hat aber ganz klar einen Nutzen bei den Kunden identifiziert und mit smartem Verkauf FOMO erzeugt. So konnte er schon Aufträge erhalten, bevor das Produkt fertig ist. Das ist Traction.

Und im Consumer-Bereich?

Da sage ich den Leuten bei „2 Minuten 2 Millionen“: Der Pitch ist so gut, wie er sein kann. Aber bis du in sechs Wochen im Studio bist, mach eine einzige Sache. Geh raus in alle Mom-and-Pop-Shops, die dein Produkt brauchen können, verkauf es ihnen, gib es ihnen auf Kommission, erzeug Traction. Wenn das Produkt noch nicht fertig ist, hol dir zumindest ein Stück Papier, etwa eine unterzeichnete Absichtserklärung, das zeigt: Die Leute wollen das. Erst letzte Woche hat ein Gründer aus Tirol, der sich gerade auf seinen großen Auftritt im Studio vorbereitet, genau das umgesetzt. Fünf Tage später schickte er mir eine aufgeregte WhatsApp-Nachricht, dass er über sein altes berufliches Netzwerk bereits zwei Vorbestellungen gewinnen konnte.

Was braucht es, damit das gelingt?

Zwei Dinge. Erstens ein Produkt, das wirklich mit dem Markt resoniert. Wenn du das nicht hast, hast du ohnehin kein Anrecht auf Kapital. Und zweitens die Fähigkeit und die Bereitschaft, rauszugehen. Die fehlt vielen, teils weil sie es nicht können, teils weil sie es nicht wollen. Aber das lässt sich mit Kompetenzaufbau ganz gut heilen: Sobald du merkst, das funktioniert und die Leute finden es geil, kriegst du auch Mut. Ich sehe das regelmäßig in meinen Beratungen, wie meine Gründer dann plötzlich Eigendynamik entwickeln. „Sales before the product“ ist einer der größten Mindset-Shifts, die junge Gründer:innen verstehen müssen. Wenn man die Methoden einmal kennt, kann das wirklich jeder umsetzen.

Und wenn diese Bereitschaft im Team fehlt?

Dann wird es schwierig. Wenn alle Angst vor dem Kunden haben, fehlt genau die Person, die keine Angst hat, und die braucht es. Die anderen verkriechen sich hinterm Computer, denken sich digitale Ad-Kampagnen aus oder gehen zum Investor und sagen: „Ich brauche 300.000 Euro, davon 150.000 fürs Marketing.“ Das gibt dir niemand, solange du nicht im Kleinen getestet hast, ob die Leute es überhaupt brauchen. In 99 Prozent der Fälle gibt es Growth Hacks, mit denen du ohne Cash-Budget Staub aufwirbeln und sehen kannst, ob es funktioniert oder nicht.

Konkret: Wie geht man mit einem unfertigen Produkt im B2C auf Kund:innen zu?

Ein möglicher Weg im Consumer-Bereich ist, die Leute auf Social Media abzufangen. Ich betreue gerade eine Gründerin, die eine sehr intelligente Functional-Cosmetics-Brand aufbaut. Jeder Investor hofft, dass jemand im Team versteht, daraus auf Social Media Buzz zu bauen. Wenn dein Produkt neuartige Eigenschaften hat, musst du es so vermarkten, dass die Leute heiß werden und du vielleicht einen Pre-Sale machst, wie beim Fashion Drop: Die Kollektion kommt erst im September, aber die Leute zahlen heute schon. Irgendjemand muss diese Message rüberbringen, ob als Person und Fürsprecherin, wie coole Food-Gründerinnen, die vor der Kamera ihr Produkt zeigen, oder abstrakter über Content und meinetwegen KI-generierte Avatare. Und das ist nur einer von mehreren möglichen Wegen, die man je nach Unternehmen und Situation einschlagen kann.

Und im B2B?

Da musst du ran an den Speck, und Networking ist entscheidend. Ich gebe in Workshops eine Übung: Nimm dein Telefon, schau, wer da drin ist und wer von denen wen kennen könnte. Ruf deine zehn besten Freunde an, die dich mögen, dir Gutes wollen und die wissen, dass du kein Depp bist, und sag: „Ich suche jemanden in dem und dem Bereich, kennst du wen?“ Du wärst überrascht, wie schnell die ersten Termine stehen. Funktioniert auch auf Konferenzen und Events, wo diese Menschen herumlaufen. Aber weg von diesen drögen Kundeninterviews à la „Würdest du das kaufen?“. Das ist fast wertlos, für die Unternehmer:innen wie für Investor:innen. Wer es ernst meint, liest „The Mom Test“, denkt den Inhalt dieses Buchs konsequent wie ein Verkäufer weiter und baut aus dem Gespräch direkt einen Sales-Funnel. Im besten Fall ist das eine Pre-Order mit Cash, im nächstbesten eine Pre-Order ohne Cash, dann ein Letter of Intent.


Info: Fundraising Winter Camp™ 2026

Jeden Winter bereitet Florian Kandler eine kleine Gruppe von zehn Startups in drei Wochen online auf ihre Investor:innen-Suche vor. Das Camp 2026 startet am 14. Jänner.. Die Sommer-Version des Camps läuft seit 10 Jahren immer im Juli. Die Plätze sind jedes mal ausgebucht. Wer beim nächsten Durchgang dabei sein will, kann sich über Florian Kandlers Newsletter auf www.GetFunding.how/camp voranmelden und wird zum nächsten Camp eingeladen.

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.