A-BDD: Nutzung von Datenaugmentierungen für sicheres autonomes Fahren bei widrigen Wetter- und Lichtverhältnissen

Hochautonome Fahrzeugfunktionen verlassen sich auf Machine Learning (ML)-Algorithmen, um die Umgebung zu verstehen. Trotz bemerkenswerter Leistungen in fairen Wetterszenarien sind Wahrnehmungsalgorithmen stark von widrigen Wetter- und Lichtbedingungen betroffen. Um diese Schwierigkeiten zu überwinden, verlassen sich ML-Ingenieure hauptsächlich auf umfassende reale Datensätze. Die Schwierigkeiten bei der tatsächlichen Datenerhebung in kritischen Bereichen des operationalen Entwurfsbereichs (ODD) bedeutet oft, dass synthetische Daten für das Training der Wahrnehmung und die Sicherheitsvalidierung erforderlich sind. Daher präsentieren wir A-BDD, einen großen Satz von über 60.000 synthetisch erweiterten Bildern, die auf BDD100K basieren und mit semantischer Segmentierung und Bounding-Box-Anmerkungen ausgestattet sind (übernommen aus dem BDD100K-Datensatz). Der Datensatz enthält augmentierte Daten für Regen, Nebel, bewölkten Himmel und Sonnenblendung/Schatten mit unterschiedlichen Intensitätsstufen. Wir führen außerdem neuartige Strategien ein, die auf merkmalsbasierten Bildqualitätsmetriken wie FID und CMMD basieren, die helfen, nützliche augmentierte und reale Daten für das ML-Training und -Testen zu identifizieren. Durch Experimente mit A-BDD liefern wir Beweise dafür, dass Datenaugmentierungen eine entscheidende Rolle dabei spielen können, Leistungsunterschiede bei widrigen Wetter- und Lichtbedingungen zu schließen.