Im ländlichen Raum zeigen sich hier jedoch einige spezielle Herausforderungen: Stark verschmutzte oder komplett fehlende Fahrbahnmarkierungen, spärlich ausgebaute Straßen- sowie 5G-Mobilfunk-Infrastruktur und gegebenenfalls plötzlich auftretende Wildwechsel sind nur einige der Schwierigkeiten, die automatisierte Fahrzeuge auf ländlichen Strecken bewältigen müssen. Zudem fokussieren sich bisher verfügbare Datensätze für das automatisierte Fahren (z. B. die bekannten Datensätze KITTI [1] oder nuScenes [2]), die für das Training von aktuellen lernbasierten Algorithmen essenziell sind, überwiegend auf urbane Regionen und Autobahnen, so dass entsprechende Daten aus ländlichen Gegenden aktuell nur eingeschränkt verfügbar sind.
Komplexe Umfelderfassung bei Wind und Wetter auf Landstraßen, Feldwegen und in Gewerbegebieten
Im Projekt DEmandäR (Akronym für „Datenbasierte Empfehlungen für das Automatisierte Fahren in der Ländlichen Region“) wird untersucht, welche Schwierigkeiten beim Betrieb von automatisierten Fahrzeugen in ländlichen Regionen auftreten. Die dafür notwendigen Daten werden im Rahmen des Projekts erhoben: Mit einem gemäß dem aktuellen Stand der Technik ausgestatteten Messfahrzeug werden regelmäßig auf einer für den ländlichen Raum repräsentativen Strecke im Sauerland Messdaten aufgenommen. Um verschiedene Bedingungen abzudecken, erfolgt die Aufnahme über einen Zeitraum von einem kompletten Jahr bei verschiedenen Witterungsverhältnissen sowie zu wechselnden Tageszeiten.
So entsteht ein umfangreicher neuer Datensatz, der nicht nur Aufnahmen unter idealen Wetterbedingungen umfasst, sondern auch gezielt störende Umwelteinflüsse (wie z. B. Regen, Nebel oder Schnee) abdeckt. Diese widrigen Bedingungen können sich unter Umständen negativ auf die Umfeldwahrnehmung für das automatisierte Fahren auswirken. Im Rahmen des Projekts werden die erhobenen Daten mit State-of-the-Art-Algorithmen der Umfelderfassung analysiert, um problematische Streckenabschnitte und Witterungsbedingungen für aktuelle Algorithmen und ggf. notwendige Infrastrukturen zu identifizieren. Auf diese Weise kann gezielt an einer Verbesserung dieser Algorithmen für die besonderen Bedingungen in ländlichen Regionen geforscht werden.