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:
20.11.2024

Vier mentale Stärken für Founder:innen und deren Unternehmen

Coach Ferry Fischer verrät in seinem Gastbeitrag, welche vier Techniken Gründer:innen nutzen können, um ihre mentale Stärke aufzubauen.
/artikel/vier-mentale-staerken-fuer-founderinnen-und-deren-unternehmen
20.11.2024

Vier mentale Stärken für Founder:innen und deren Unternehmen

Coach Ferry Fischer verrät in seinem Gastbeitrag, welche vier Techniken Gründer:innen nutzen können, um ihre mentale Stärke aufzubauen.
/artikel/vier-mentale-staerken-fuer-founderinnen-und-deren-unternehmen
Ferry Fischer, Coach und Unternehmensberater (c) Ferry Fischer

Du siehst einen Golfprofi, wie er auf den letzten Löchern der finalen Runde ruhig und voller Konzentration den Fokus behält und das Turnier souverän gewinnt. Kann er das, weil er so talentiert ist oder weil er geheime Tricks kennt? Nein, er kann das, weil er sich selbst kennt und kontinuierlich seine mentale Fähigkeiten, die jede:r besitzt, entwickelt hat.

Selbstvertrauen kommt von Selbstbewusstsein. Je bewusster ich mir über meine Fähigkeiten und meine Schwachstellen bin (und natürlich auch, wie ich damit gut umgehen kann), desto mehr entwickle ich Vertrauen in mich selbst. Das ist ein Prozess stetiger Reflexion und Entwicklung.

Ich selbst halte mich für einen durchschnittlich talentierten Sportler und habe jeden Sport, den ich ausgeübt immer erst sehr spät begonnen. Dennoch war ich ehrgeizig und wollte was erreichen, also habe ich einen wichtigen Aspekt des Erfolges mehr entwickelt als die anderen. Die mentale Stärke. Und damit ist mir sowohl im Sport als auch im Beruf weit Überdurchschnittliches gelungen.

Hier stelle ich dir nun meine „Best Of Mental-Stärken“, bzw. Techniken vor, damit du auch davon profitieren kannst.

1. Resilienz: Der Umgang mit Rückschlägen

Im Sport ist Scheitern unvermeidbar – Golfer:innen, Tennisspieler:innen, etc. verlieren die allermeisten Turniere und gewinnen nur wenige. Mental starke Athlet:innen wissen: Eine Niederlage macht sie nicht zum Versager oder zur Versagerin, sondern gibt ihnen die Chance, zu lernen und zu wachsen.

Wichtig ist, dass ich weiß, dass ich es schaffen kann und von jeder Niederlage lerne. Unbeirrbar gehe ich meinen Weg, aber ich hinterfrage mich ständig und passe mich durch die Erfahrung des temporären Scheiterns an.

Wenn du im Golf den ersten Schlag gleich mal in den Wald schlägst und die Nerven bewahrst, mit dem Mindset „das braucht jetzt genau mich, um doch noch erfolgreich das Loch zu Ende zu spielen“, dann gibst du dem Erfolg eine gute Chance. Wenn du es dann schaffst, ist das Erfolgserlebnis umso größer. Schaffst du es nicht, dann nimmst du deine Learnings, gehst zum nächsten Loch und bist um ein Stück erfahrener, um mit einer ähnlichen Situation nun besser umzugehen (wie du das noch zwischen zwei Löchern schaffen kannst, zeige ich dir im Punkt 3).

Umsetzung für Founder:innen:

Lernperspektive einnehmen: Nach jedem Rückschlag bewusst analysieren: „Was lief gut? Was lief schlecht? Was lerne ich daraus?“ (am besten schriftlich, das verstärkt es noch) Fehlerkultur etablieren: Im Team kommunizieren, dass Fehler und Misserfolge ein natürlicher Teil des Wachstumsprozesses sind und Lessons Learned nach jedem Projekt etc. einfordern.

2. Klare Zielsetzung: Der Kompass zum Erfolg

Wenn ich mir etwas vorgenommen habe, dann habe ich nie aufgegeben (und schon gar nicht aus Frust oder Enttäuschung), war jedoch stets bereit, mich aufgrund der Erfahrungen anzupassen. Das heißt, entweder habe ich mein Tun angepasst, um das Ziel zu erreichen oder ich habe das Ziel nach einer strukturierten Analyse der Fakten verändert oder verworfen (das ist für mich kein Aufgeben, sondern eine wohl durchdachte und selbstreflektierte neue Entscheidung).

Manchmal öffnen sich Möglichkeiten, die du nie für möglich gehalten hast und die sich erst ergeben, weil du dran geblieben bist. Solange ich an meine Vision glaube und bereit bin, mich, den Weg und die Rahmenbedingungen stets zu hinterfragen, kann mich nichts aufhalten. Das Ziel ist das Ziel, der Weg muss sich dem Ziel anpassen und ich mich auch.

Umsetzung für Founder:innen:

Sei dir klar, was du mit deinem Unternehmen erreicht haben willst: Setze dir nun (Zwischen-)Ziele, die dich dorthin bringen werden, und verfolge sie. Wenn du diese Ziele nicht erreichst, dann passe an (Schritte, Methoden, Zwischenziele). Aber verliere nicht das visionäre Ziel aus den Augen! OKR als Methode hilft da besonders gut!

Miss es oder vergiss es: Damit wir uns den Fortschritt nicht schönreden, was sehr leicht geschieht, müssen wir messen und laufend anpassen. Aber nie das große Ziel aus den Augen verlieren. Was leicht geht: genießen und dann mehr davon. Was schwer geht, noch einmal probieren und dann hinterfragen! Mein Motto dabei: „Face the brutal facts!“

3. Mentale Visualisierung: Erfolg beginnt im Kopf

Dabei gibt es zwei Ausrichtungen:

1. Mentales Vorerleben: Du siehst das Erreichen des Ziels vor Augen. Oder den erfolgreichen Abschluss mit Investor:innen.

Es zahlt sich aus, im Unterbewusstsein das Erfolgserlebnis im Vorhinein auszulösen, um dein Selbstbewusstsein zu stärken und den Fokus auf Erfolg zu lenken. Kein:e Slalomläufer:in der Welt würde den Slalom in Angriff nehmen, ohne vorher den erfolgreichen Lauf visualisiert zu haben. Würde er/sie das nicht machen, wäre ein Ausscheiden wohl das sichere Ergebnis.

Ich stelle mir vor schwierigen Gesprächen immer vor, wie das Gespräch zur Zufriedenheit beider gut endet. Nicht, wie es verläuft, denn das ist egal, Hauptsache es endet gut. Wenn dann das Gespräch oder die Verhandlung eine komische Richtung einnimmt, dann sage ich mir: „Interessant, wie sich das gerade entwickelt. Gut dass ich weiß, wie es ausgeht!“. Mit dieser Technik ist ein Erfolg nicht garantiert, aber die Erfolgswahrscheinlichkeit steigt enorm.

2. Mentales Umerleben: Das Gehirn unterscheidet nicht zwischen real und imaginär Erlebtem. Es speichert beides als Erfahrung ab. Das können wir uns zu Nutze machen.

Wenn also etwas schief gelaufen ist, dann setze dich hin und erlebe die Situation so, wie sie optimal hätte verlaufen sollen. Spiele die Situation ideal durch und speichere so einen Erfolg ein, an den sich dein Unterbewusstsein dann in der nächsten ähnlichen Situation erinnern wird.

Umsetzung für Founder:innen:
Vorbereitung durch Visualisierung: Stelle dir vor einem Pitch oder einem schwierigen Gespräch vor, wie du souverän auftrittst und dein Ziel erreichst. Mentales Umerleben durchspielen: Nimm jeden Misserfolg her, analysiere, was schief gelaufen ist und wie du es hättest besser oder ideal machen können und spiele dann die Situation mit der Idealversion durch. Nimm die Erfolgsgefühle dabei war, das steigert noch den Effekt.

4. Selbstdisziplin: Die Kunst der konstanten Umsetzung flexibler Planung

Erfolg ist immer das Ergebnis des Tuns. Du kannst daher den Erfolg nicht machen, sondern nur ermöglichen. Machen kannst du aber deinen täglichen Beitrag. Daher überlege dir, was du jeden Tag ganz konkret tun kannst, um deinen gewünschten Erfolg zu schaffen. Setze dir Zwischenziele, um zu überprüfen, ob du den erwünschten Fortschritt erreichst. Erreichst du den Fortschritt nicht, dann überlege, ob das Ziel richtig gewählt ist und/oder ob das tägliche Tun ausreicht und passe bei Bedarf an.

Jetzt ist es wichtig, den täglichen Zweifel auszuschalten. Einmal in der Woche oder alle zwei Wochen darf angepasst werden. Täglich wird getan und abgehakt. Das funktioniert! Alleine durch das tägliche Abarbeiten des Plans deines eigenen Beitrags entsteht ein Erfolgserlebnis, das dich vorantreibt.

Wie ich mit Hockey im Alter von 21 Jahren begonnen habe und mir zum Ziel gesetzt habe, es in die erste österreichische Liga zu schaffen, war mir klar, dass mir technisch nahezu jeder Hockeyspieler, der von Kindheit an trainiert hat, überlegen sein wird. Was ich aber tun kann, war meine mentale Stärke und meine körperliche Kondition mehr zu entwickeln, als die anderen. Ich hatte einen genauen Plan für beides und nach 10 Jahren hatte ich es geschafft. Um die Zeit war ich sogar den österreichischen Nationalspielern, mit denen ich einmal trainiert habe, konditionell und mental überlegen. Ich habe in dieser Zeit jede Woche nach einem Plan trainiert und diese Pläne laufend nach meinen Fortschritten und Rückschritten angepasst. Heute würde man sagen, ich habe nach OKR trainiert. Das gab es damals aber noch nicht als Begriff.

Umsetzung für Founder:innen:
Routinen etablieren: Plane deinen täglichen Beitrag zum Erfolg und halte dich an diese Struktur. Überlegt anpassen: Passe deinen Plan nur in ruhigen Momenten an, nicht wenn unter der Woche Frust oder Zweifel aufkommen. Alles braucht seine Zeit, sich zu entwickeln und daher ist es wichtig, Pläne in Ruhe und überlegt zu erstellen und anzupassen. Wenn es aber keine messbare Entwicklung gibt, dann ist es auf jeden Fall Zeit, anzupassen.

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.