Kostendruck und Leistungsfähigkeit sind oft die entscheidenden Faktoren bei der Entwicklung von autonomen Fahrfunktionen. Dies gilt insbesondere für den Off-Highway-Sektor, wo die Vielzahl unterschiedlicher Anwendungsfälle und Fahrzeugkonfigurationen den Aufbau einer großen Datenerfassungsflotte und die erforderliche hochwertige Datenannotation zeit- und kostenintensiv machen. Die damit verbundenen Kosten können sich auf mehrere Millionen Euro pro Maschinentyp belaufen und stellen daher für viele Unternehmen eine erhebliche Hürde für den Einstieg in die Entwicklung von KI-Modellen für autonomes Fahren dar.

Um diese Herausforderung zu meistern, integriert driveblocks, Spezialist für autonomes Fahren und KI-Modellentwicklung, die Datenverarbeitungs- und Qualitätsmanagementlösung von b-plus tief in sein Kernprodukt, die Mapless Autonomy Platform. Diese Partnerschaft ermöglicht es Kunden, kosteneffizient auf Basismodellen aufzubauen, die mit hochwertigen Daten vortrainiert sind, und erleichtert ihnen den Einstieg in die Entwicklung von KI-basierten autonomen Fahrfunktionen.

Das Konzept funktioniert wie folgt: Driveblocks bietet seine neuronalen Netze an, die auf einem Datenpool aus verschiedenen Industriezweigen, Sensortypen und Betriebsbedingungen vortrainiert sind. Die Nutzer dieser vortrainierten Modelle können sich dazu entschließen, Daten, die mit ihren jeweiligen Systemen aufgezeichnet wurden, im Austausch gegen erhebliche Rabatte beizusteuern.

Die b-plus Annotations- und Datenmanagementlösungen stellen sicher, dass die Trainings- und Validierungsdaten im Datenpool nach höchsten Qualitätsstandards annotiert und kuratiert und somit für zukünftige Produktionsprojekte geeignet sind.

Darüber hinaus übernehmen die Partner die komplette Dateninfrastruktur und den Prozessablauf, von der Spezifikationserstellung über die Datenerfassung, -auswahl und -beschriftung bis hin zur Qualitätssicherung und dem Testen, Training und der Validierung der KI-Modelle für autonomes Fahren. Im letzten Schritt werden kundenspezifische Daten verwendet, um das auf dem Datenpool vortrainierte Basismodell zu verfeinern. Während des gesamten Prozesses wird sichergestellt, dass der Datenschutz (Nutzer erhalten nur Zugriff auf das trainierte Modell und nicht auf den Datenpool selbst) und die GDPR-Konformität eingehalten werden.

„Wir sind dabei, einen Datenpooling-Ansatz zu implementieren, der ein unglaublich robustes Basismodell hervorbringen wird. Mit diesem Ansatz können wir KI-Anwendungen für unsere Kunden nicht nur schneller, sondern auch äußerst kosteneffizient entwickeln", erklärt Alexander Wischnewski, Geschäftsführer von driveblocks. „Mit einem stetig wachsenden Gesamtdatenpool können wir jederzeit auf verlässliche Testdaten zugreifen. Obwohl wir uns noch in der Entwicklungsphase befinden, gehen wir derzeit davon aus, dass Kunden rund 90 Prozent der Kosten einsparen können, wenn sie auf den vortrainierten Basismodellen aufbauen.“

„Unser Beitrag ist es, sicherzustellen, dass ML-Anwendungen nur mit den wertvollsten Daten trainiert werden. Wir achten sehr darauf, dass nur relevante Daten in den Datenpool aufgenommen werden", ergänzt Marius Reuther, Geschäftsführer von b-plus automotive. „Dies erreichen wir durch unsere umfangreichen, im OEM-Umfeld etablierten Qualitätssicherungsprozesse, die eine nachweisbare Datenqualität von 98% garantieren! Auch wenn wir uns noch in der Konzeptphase befinden, sind die ersten Ergebnisse äußerst vielversprechend.“

Die gemeinsame Arbeit von b-plus und driveblocks revolutioniert die Entwicklung von sicheren, robusten und leistungsfähigen KI-Modellen für autonomes Fahren. Sie minimiert die erforderliche Datenmenge, den Aufwand und die Kosten, die durch unzureichende Datenqualität, den Aufbau eigener Datenbanken und Infrastrukturen sowie Projektverzögerungen entstehen. Die ersten Ergebnisse dieses bahnbrechenden Ansatzes werden im Sommer 2025 veröffentlicht.

Bis dahin erfahren Sie mehr über die zugrunde liegenden Lösungen CONiX.dpc von b-plus und die Mapless Autonomy Platform von driveblocks.