PLATON Verteilte Rechenplattform für radarbasierte 3D-Umgebungserfassung im sicheren autonomen Fahren

Ziele

Im Anwendungsbereich der Logistik, der Industrie 5.0, des automatisierten Fahrens, von Smart Construction, Smarter Infrastruktur bis hin zur Smart City spielen 3D-Sensoren sowie die effiziente und verteilte Auswertung der durch diese gewonnenen Daten eine entscheidende Rolle. Dabei liegt der Fokus auf Sicherheit (Hinderniserkennung), Kartierung und Lokalisierung, Objekterkennung, 3D-Rekonstruktion, Erkennung von Menschen und ähnlichen Funktionen.

In PLATON wird erforscht, wie 3D Radarsensorik in mehreren Zeitfenstern und räumlichen Ausprägungen mit künstlicher Intelligenz ausgewertet und Ergebnisse für Anwendungen bereitgestellt werden können. Das Spektrum der Anwendungen reicht von extrem kleiner Latenz für Sicherheitsanwendungen (Hinderniserkennung) mit wenig räumlicher Auflösung bis zu extrem verteilter und hochauflösender 3D Rekonstruktion. 3D Radartechnik ist besonders daten- und energiesparend sowie günstiger als herkömmliche LIDAR Verfahren und verspricht für diverse Anwendungsbereiche, z. B. in der Intralogistik und dem autonomen Fahren, erhebliche Vorteile.

Genauer soll in PLATON eine integrierte Sensor- und Verarbeitungsplattform entworfen, implementiert und evaluiert werden, die in Verbünden dynamisch Verarbeitungslasten verteilen und energiesparend arbeiten kann. Diese Plattform ermöglicht die gleichzeitige Ausführung von mehreren KI-Prozessen, die in einer Simulation für die virtuelle Inbetriebnahme End-to-End trainiert werden können. Das Nutzerinterface wird im Training mitberücksichtigt.

Die primären Ziele von OFFIS in PLATON sind im Bereich verteilte räumliche KI angesiedelt. Zum einen erforscht OFFIS die automatische räumliche Erfassung der Umgebung anhand von 3D Radardaten sowie die robuste Lokalisierung des Sensorsystems in dieser Umgebung. Zum anderen konzentriert sich OFFIS auf die verteilte, End-to-End trainierte, semantische Kartierung der Umgebung, welches Objektmerkmale beinhaltet. Dieses System wird in den Laboren im OFFIS sowie bei Projektpartnern evaluiert.

Personen

Projektleitung Extern

Matthias Schweiker (PILZ)

Wissenschaftliche Leitung

Publikationen
A Coarse-to-Fine Method for Data-Efficient Collaborative Place Recognition

Furuno, Eike and Hein, Andreas and Stratmann, Tim C. and Pfingsthorn, Max; 2024 9th International Conference on Control and Robotics Engineering (ICCRE); 2024

Partner
Pilz GmbH & Co. KG
www.pilz.com
Creonic GmbH
www.creonic.com
let's dev GmbH & Co. KG
www.letsdev.de
Reeb-Engineering GmbH
www.reeb-engineering.de
Fraunhofer-Institut für Zuverlässigkeit und Mikrointegration IZM
www.izm.fraunhofer.de
Fraunhofer-Institut für Hochfrequenzphysik und Radartechnik FHR
www.fhr.fraunhofer.de

Laufzeit

Start: 01.11.2022
Ende: 31.10.2025

Fördermittelgeber