Intelligente Trainingsdatenpipeline für autonome Fahrfunktionen

Der Fachbeitrag stellt die Smart Data Loop als ein innovatives Framework vor, das datenzentrierte Abläufe für die Entwicklung von KI-Modellen im Bereich autonomes Fahren optimiert. Durch die Integration von Triggerfunktionen als zentrale Entscheidungslogik ermöglicht die Smart Data Loop eine dynamische und effiziente Datensammlung, die auf der realen Modellleistung und dem Datenbedarf basiert. Der Artikel beschreibt die drei zentralen Phasen der Smart Data Loop: edgeseitige Operationen im Fahrzeug, cloudbasierte Orchestrierung und Verarbeitung sowie die Weiterentwicklung und Bereitstellung des Modells. Besonders hervorgehoben wird die Verwendung von Triggerfunktionen, die domänenspezifische Heuristiken, gelernte Bewertungsfunktionen oder unüberwachte Signale enthalten, um die relevantesten Daten für die Rückführung in die Pipeline auszuwählen. Die Smart Data Loop reduziert redundante Datensammlung, senkt Annotierungskosten und verbessert die Datenqualität, was zu besseren Modellen führt. Der Artikel diskutiert auch die Integration eines holistischen Sensorsets und szenischer Metatrigger, die eine präzise und zeitsynchrone Datenerfassung ermöglichen. Zudem wird die algorithmische Implementierung im Fahrzeug sowie die Rückkopplung mit dem Backend beschrieben, die eine dynamische Anpassung der Triggerfunktionen und die Generierung synthetischer Daten ermöglicht. Die Smart Data Loop adressiert zentrale Herausforderungen datengetriebener Entwicklung und realisiert einen geschlossenen, iterativen Lernprozess, der die Effizienz von KI-Systemen steigert. Perspektivisch sollen die Triggerfunktionen durch selbstlernende Modelle ergänzt und die Generalisierbarkeit domänenübergreifend evaluiert werden.