Projekt AI4CSM

In modernen autonomen Fahrzeugen sind Advanced Driver Assistance Systems (ADAS) der Schlüsselfaktor für die Sicherheit der Verkehrsteilnehmer. ADAS verlassen sich jedoch typischerweise auf Informationen aus ihrer lokalen Umgebung, was bedeutet, dass sie sich des globalen Zustands der Umgebung, der durch Kommunikation mit anderen Verkehrsteilnehmern entdeckt werden kann, nicht bewusst sind.

Die Etablierung einer zuverlässigen Kommunikation mit Fahrzeugen erhöht die Sicherheit und optimiert die Leistung von autonomen Fahrzeugen. Da ein solcher Informationsaustausch in Echtzeit unter Verwendung von drahtloser Kommunikation realisiert wird, ist es wichtig, im Voraus zu wissen, ob ein von einem autonomen Fahrzeug gesendetes Datenpaket von anderen empfangen werden kann.

Im Projekt AI4CSM arbeitet das AIT an der Lösung der Herausforderungen bei der Vorhersage der Zuverlässigkeit von nicht-stationären drahtlosen Kommunikationskanälen von autonomen und vernetzten Fahrzeugen.

Die Zuverlässigkeit von Funkkommunikationskanälen kann anhand der Datenpaketfehlerrate (Frame Error Rate, FER), die angibt, wie viele Frames erfolgreich auf der Empfängerseite empfangen werden, gemessen werden.

In unserer Lösung identifizieren wir einen FER-Bereich als Klassifizierungsaufgabe und wenden Künstliche Intelligenz (KI)-Techniken an, um das Modell für die FER-Vorhersage zu lernen. Zur Lösung dieser Klassifizierungsaufgabe verwenden wir überwachtes Lernen, um basierend auf der Kanalübertragungsfunktion, die mit dem geometriebasierten stochastischen Kanalmodell generiert wurde, ein Deep Neural Network zu trainieren.

Die experimentellen Zwischenergebnisse sind vielversprechend, da wir eine schnellere Vorhersage der nichtlinearen und komplexen Funktion wie der FER erreichen. Das erlernte Modell kann direkt auf der Straße angewendet werden, um die Wahrscheinlichkeit des erfolgreichen Empfangs eines Datenpakets an einem gegebenen Fahrzeugstandort abzuschätzen.