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:
19.11.2024

Freundeskreis: Wiener Startup plant Pilotfabrik für veganen Käse

Der vegane „Camembert“ des Wiener Startups Freundeskreis ist seit Juni dieses Jahres in ausgewählten veganen Supermärkten erhältlich. Co-Gründerin Mona Heiß gibt im Interview mit brutkasten einen Einblick in die nächsten Schritte des Unternehmens.
/artikel/freundeskreis-wiener-startup-plant-pilotfabrik-fuer-veganen-kaese
19.11.2024

Freundeskreis: Wiener Startup plant Pilotfabrik für veganen Käse

Der vegane „Camembert“ des Wiener Startups Freundeskreis ist seit Juni dieses Jahres in ausgewählten veganen Supermärkten erhältlich. Co-Gründerin Mona Heiß gibt im Interview mit brutkasten einen Einblick in die nächsten Schritte des Unternehmens.
/artikel/freundeskreis-wiener-startup-plant-pilotfabrik-fuer-veganen-kaese
Das „Kernteam“: Leo Sulzmann, Mona Heiß und Markus Korn. (c) Freundeskreis

Käsealternativen aus Cashewnüssen, Mandeln, Soja oder Erbsenprotein: Der Markt für Käseersatzprodukte erlebt derzeit eine Hochphase. Auch das Startup Freundeskreis hat es sich zur Mission gemacht, mit seinem pflanzlichen „Cam-mhh-berta“ die Käsewelt zu transformieren. Anstelle von Milchkulturen, die in herkömmlichem Camembert verwendet werden, setzt das Unternehmen auf eine untypische Zutat: Marillenkerne – ein Nebenprodukt der heimischen Obstindustrie.

Ende letzten Jahres konnte Freundeskreis eine Förderung von 400.000 Euro von der Austria Wirtschaftsservice Gesellschaft (aws) sichern – brutkasten berichtete. Mit dieser Förderung bauten sie nicht nur ihre Produktion aus, sondern brachten auch ihren veganen „Cam-mhh-berta“ erfolgreich auf den Markt. Im Interview mit brutkasten berichtet Co-Gründerin Mona Heiß über die Fortschritte des Startups und die Pläne für die Zukunft.

Freundeskreis wird mit weiteren 97.000 Euro gefördert

Seit Juni dieses Jahres ist der pflanzliche “Cam-mhh-berta” in ausgewählten Bio-Supermärkten in Wien erhältlich: Pepper & Ginny (1010), Maran Vegan (1060) und Markta (1090). Das Feedback ist vielversprechend: Nach Unternehmensangaben wurden in den ersten vier Monaten bereits rund 1.000 Stück verkauft.

Nur wenige Monate nach der aws-Förderung konnte sich Freundeskreis eine weitere finanzielle Unterstützung sichern: Die Wirtschaftsagentur Wien stellte über die Förderschiene “Produktion” dem Startup rund 97.000 Euro zur Verfügung. Wie Co-Gründerin Mona Heiß im Interview mit brutkasten verrät, soll das Geld in eine neue Pilot-Käsefabrik in Wien-Penzing fließen, die zugleich als zukünftiger Firmenstandort dienen wird.

Bisher finanziert sich Freundeskreis ausschließlich über Fördermittel. Für die kommenden Monate plant das Team jedoch eine Finanzierungsrunde im Frühjahr, um Investor:innen zu gewinnen und das Wachstum des Startups weiter voranzutreiben.

Marillenkerne liefert Cremigkeit und gesunde Nährstoffe

Freundeskreis entwickelte eine pflanzliche Käsealternative, die primär aus Marillenkernen besteht: den „Cam-mhh-berta“. Laut dem Unternehmen ist dieser geschmacklich und in der Konsistenz kaum von herkömmlichem Camembert zu unterscheiden. Der Grund liege in den Eigenschaften der Marillenkerne, die reich an Proteinen und ungesättigten Fettsäuren sind. Diese Nährstoffe sorgen demnach nicht nur für gesundheitliche Vorteile, sondern tragen auch maßgeblich zur cremigen Textur bei, erklärt Heiß.

Die Produktion des „Cam-mhh-berta“ erfolgt in „traditioneller Handarbeit“ auf einem Bauernhof im Wienerwald, in einer ehemaligen Käserei. Dabei setzt Freundeskreis auf dasselbe Verfahren, das auch bei der Herstellung von Kuhmilchkäse Anwendung findet. Das Ergebnis sei ein Käse, der sich durch “Cremigkeit, Nachhaltigkeit und Tradition” auszeichnet.

“Cam-mhh-berta” besteht nur aus vier Zutaten

Das Besondere an der Käsealternative sind die Marillenkerne, die als Hauptzutat dienen. Diese fallen normalerweise als Abfall- oder Nebenprodukt der Saft- und Marmeladenproduktion an. Freundeskreis bezieht die Kerne von regionalen Lieferanten, darunter das niederösterreichische Scaleup Kern Tec – brutkasten berichtete. Aus den Marillenkernen wird durch ein speziell entwickeltes Verfahren eine milchige Flüssigkeit gewonnen, die mithilfe von Reifekulturen, veganen Enzymen und Mikroorganismen zum „Cam-mhh-berta“ verarbeitet wird. Die Käsealternative kommt mit nur vier Zutaten aus: Marillenkerne, Salz, Wasser und vegane Reifekulturen.

Ein kritischer Punkt bei der Verarbeitung von Marillenkernen ist die darin enthaltene Blausäure, die gesundheitsschädlich sein kann. Hier hat Gründer und Forscher Leo Sulzmann ein spezielles Verfahren entwickelt, um die Blausäure auf natürliche Weise abzubauen.

Freundeskreis-Team wächst

Hinter dem Food-Startup Freundeskreis stehen Forscher und Geschäftsführer Leonhard Sulzmann sowie Co-Gründerin Mona Heiß. Während Sulzmann sich auf die wissenschaftlichen und technologischen Aspekte konzentriert, verantwortet Heiß die Kreativdirektion und den Markenaufbau. Zum Kernteam gehört außerdem Sales- und Operations-Verantwortliche Markus Korn. Mittlerweile zählt das Team sechs Mitglieder, die gemeinsam am weiteren Ausbau der Marke Freundeskreis arbeiten.

Zukünftig sollen mehr vegane Käsealternativen auf den Markt kommen

Freundeskreis arbeitet aktuell an der Entwicklung weiterer veganer Käsealternativen. Bereits Anfang nächsten Jahres soll eine vegane „Frischkäsevariante“ auf Basis der Marillenkerne auf den Markt kommen. Doch das ist nicht alles: Eine weitere Produktreihe ist bereits in Planung. Co-Gründerin Mona Heiß verrät, dass es sich dabei voraussichtlich um ein Produkt handeln werde, das speziell zum Backen geeignet sei. Langfristig will das Startup außerdem auch einen veganen „Hartkäse“ anbieten. Die Herstellung dieses Produkts ist jedoch komplexer, da es aufgrund des verwendeten Verfahrens eine bestimmte Zeit für die Reifung benötigt.

In den kommenden Wochen soll außerdem ein Online-Shop live gehen, über den die Produkte von Freundeskreis direkt bestellt werden können. Diese Plattform wird zunächst als Testversion betrieben, um herauszufinden, wie gut sich die Produkte für den Direktvertrieb eignen. Geplant ist dabei ein Modell, bei dem die Käsealternativen erst auf Bestellung und nicht auf Vorrat produziert werden. Weiter in die Zukunft gedacht, kann sich das Startup auch den Vertrieb in Supermärkten vorstellen.

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.