Baustellen sind eine Herausforderung für automatisierte Fahrzeuge: Weil sich in der Regel Fahrspuren verengen, Staus entstehen und Fahrer oft unsicher oder gestresst reagieren, kommt es häufiger zu Unfällen. Die Systeme der automatisierten Fahrzeuge können dabei vom Geschehen überfordert sein. Alte und neue Fahrbahnmarkierungen überlagern sich, begrenzende Baken und Leitkegel sind von der Sensorik sehr schwer zu erfassen. Die Schilder enthalten zudem unterschiedliche Informationen zu erlaubter Geschwindigkeit oder dem Verlauf der Spuren.

„Unsere Technologie ermöglicht es, auch Schilder dieser Art mit hoher Treffsicherheit zu lesen“, sagt Stefan Eickeler, zuständig für das Thema Objekterkennung am Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS in Sankt Augustin bei Bonn. Die Informationen werden semantisch verarbeitet, inhaltlich verstanden und zur weiteren Verarbeitung verfügbar gemacht. „Mit Deep Learning bringen wir dieser Software bei, die klassischen Muster schnell und effizient zu erkennen“.

So können künftig über das Navi-Gerät und den Bordcomputer anders ausgewiesene Autobahnausfahrten auf Baustellen korrekt angesagt, die Abstände zu anderen Fahrzeugen optimal bemessen und das Tempo rechtzeitig angepasst werden. „Was beim assistierten Fahren in Kürze schon für Entspannung und mehr Sicherheit sorgen könnte, soll auf Sicht auch von alleine funktionieren: Dann werden automatisierte Fahrzeuge eigenständig reagieren“, erklärt Stefan Eickeler dazu weiter.

Zum Einsatz kommt dabei eine Kamera, die derzeit 20 bis 25 Bilder pro Sekunde liefert. Direkt während der Fahrt werden diese Bilder analysiert und Informationen zu Hinweisschildern, Fahrspurinformationen oder von LED-Verkehrszeichen herausgelesen und bearbeitet. Eine Vision hierbei ist, dass diese Kamera künftig als primäre Schnittstelle fungiert und so auf eine Vielzahl an Sensoren am Ende verzichtet werden kann. (ampnet/SW)