Beschreibung

In diesem Video siehst Du verschiedene Simulationen von Fußgängerkollisionen, die im Rahmen des Forschungsprojekts „KI Attention“ erstellt wurden.

Unser Ziel ist es, unser Verständnis von Fußgängersicherheit im Kontext des autonomen Fahrens zu vertiefen - ein Bereich, der robuste Daten für effektive Forschung und Modelltraining erfordert. Um diese Anforderung zu erfüllen, haben wir den PeDesCar-Datensatz entwickelt, der den Schwerpunkt auf die 3D-Positionsschätzung von Menschen legt und Eingabesequenzen für die Bewegungsvorhersage nutzt. Dieser Datensatz enthält humanoide Modelle, die durch Variational Adversarial Imitation Learning trainiert wurden, und beinhaltet realistische Fahrzeugmodelle, um Kollisionsszenarien zu simulieren. Durch die Kontrolle von Fahrzeugparametern wie Geschwindigkeit und Drehung erzeugen wir detaillierte Simulationen, die ca. 15 Tage simulierte Zeit umfassen, insgesamt 176,7 Millionen Frames und über 1,02 Millionen individuelle Auto-Fußgänger-Kollisionsereignisse. Es umfasst mehrere Aktionsklassen und gleicht die Gelenkkonfigurationen mit etablierten Benchmarks ab, alles innerhalb der MuJoCo-Umgebung.

Zusätzlich bieten wir ein Visualisierungstool zur Verbesserung der Benutzerfreundlichkeit an, das qualitative Bewertungen durch verschiedene Kamerawinkel und Bewegungsmuster ermöglicht und den PeDesCar-Datensatz zu einer unschätzbaren Ressource für die Forschung im Bereich der menschlichen Bewegungsvorhersage und der Sicherheit beim autonomen Fahren macht.

‍

Zusammenfassend lässt sich sagen, dass der PeDesCar-Datensatz der erste seiner Art ist, der sich speziell auf Kollisionen zwischen Autos und Fußgängern konzentriert und einen Rahmen für die Visualisierung und schnelle Datengenerierung bietet. Auch wenn die Bewertung der Datenzuverlässigkeit nach wie vor eine Herausforderung darstellt, ist der Datensatz für die Vorlaufforschung gut geeignet und unterstützt effektiv die neuesten Modelle.