Die Veröffentlichung mit dem Titel „Automotive LiDAR Based Precipitation State Estimation Using Physics Informed Spatio-Temporal 3D Convolutional Neural Networks (PIST-CNN)“ wurde im Rahmen des vom Bundesministerium für Digitales und Verkehr (BMDV) geförderten Projektes „SAVeNoW“ in Kooperation mit dem Anwendungszentrum des Fraunhofer IVI in Ingolstadt und der Conti Temic microelectronic GmbH erarbeitet. Um die Umfelderfassung autonomer Fahrzeuge virtuell testen zu können, werden Sensormodelle benötigt, welche den Einfluss von Regen und Schnee sowie der Alterung auf die Sensoren erfassen können. Dieser Forschung widmet sich Marcel Kettelgerdes in seiner von Professor Gordon Elger betreuten Promotion am Institut für Innovative Mobilität der THI.
Begleitet durch ein Studierendenprojekt mit KI-Studierenden an der THI wurde eine mit physikalischem Vorwissen angereicherte, neuronale Netzwerkarchitektur entwickelt, welche die aktuelle Wetterlage in Form der Niederschlagscharakteristik (Partikelgrößenverteilung sowie Niederschlags-Art und -Rate) rein auf Basis von wetterbedingten Messartefakten in den LiDAR-Daten schätzt. Für dessen Training wurde eine umfangreiche Datenbasis aus hochaufgelösten Wetter- und LiDAR-Daten genutzt, welche im Rahmen des Projektes aufgezeichnet wurde, um Witterungseinflüsse auf sicherheitsrelevante Automotive Umfeldsensoren zu untersuchen und zu modellieren.
LiDAR-Sensoren gelten aufgrund ihrer hohen räumlichen Auflösung und Messgenauigkeit als Schlüsselsensor zukünftiger, automatisierter Fahrfunktionen. Eine fortlaufende Erfassung der lokalen Witterungsbedingungen während der Fahrt könnte genutzt werden, um dem Fahrer oder umliegenden Fahrzeugen ohne zusätzliche Sensorik qualifizierte Wetterinformationen mitzuteilen. Weiterhin könnten die Fahrdynamik und entsprechende, sicherheitsrelevante Fahrfunktionen flexibel auf Basis der Niederschlagsart und -Intensität, sowie dem resultierenden Zustand des Fahruntergrunds angepasst werden.
