KI-Plattform

Auf der hochmodernen BeIntelli Datenplattform stellen wir eine vielfältige Palette von Informationen aus den drei Ebenen – Fahrzeuge, Edge und Cloud – zur Verfügung. Nach erfolgreicher Anmeldung auf der Plattform können Nutzer mithilfe von benutzerfreundlichen GUI-Elementen und unserer Developer-API-Schnittstellen auf eine breite Auswahl an Echtzeit- und historischen Daten zugreifen. Diese Daten werden nicht nur auf der Plattform bereitgestellt, sondern auch in unseren Anwendungen aktiv genutzt.
Für die Fahrten der Fahrzeuge bieten wir umfassende Informationen wie Routenverläufe mit GPS-Position, Zeitstempel, Fahrstatus (manuelle oder automatisierte Fahrt), Zielort, Orientierung und weitere relevante Details zur Verfügung. Zudem ermöglichen wir vereinzelt den Zugriff auf anonymisierte Sensordaten von aufgezeichneten Fahrten, die sich ideal für das Training und die Evaluierung eigener Mobilitätslösungen eignen.
Darüber hinaus können Nutzer auf Daten zugreifen, die in der Edge-Infrastruktur generiert oder aggregiert werden, darunter Wetterdaten, Straßenzustandsinformationen und Listen von Objekten, die von der Infrastruktur wahrgenommen werden, und freie Parkplätze.
Auf der Cloud-Ebene werden Daten entlang der gesamten Strecke aggregiert und flächendeckend ausgewertet. Unsere Plattform bietet somit eine umfassende Datenlösung für verschiedenste Anwendungsbereiche im Bereich Mobilität und Infrastruktur.

Auf der Plattform werden neben Daten auch KI-Modelle und Services zur Verfügung gestellt. Diese werdne in einem Repository zusammengefasst und können für die Nutzung, Entwicklung und Validierung von eigenen Lösungen genutzt werden.

Im Folgenden geben wir zwei Beispiele für bereitgestellte KI-Lösungen:

• Der Rosbag-Converter ist ein spezialisierter Service, der darauf ausgerichtet ist, aus Rosbag-Dateien gezielt Daten zu extrahieren. Rosbags, ein gängiges Format in der Robotik und beim autonomen Fahren, enthalten oft eine Fülle an Informationen, von denen nicht alle für jeden Anwendungsfall relevant sind. Der Rosbag-Converter ermöglicht es Nutzern, diese umfangreichen Datensätze zu durchforsten und präzise nur jene Daten zu extrahieren, die für ihre spezifischen Bedürfnisse erforderlich sind. Dadurch wird der Aufwand, der mit der Handhabung und Analyse von umfangreichen Rosbags verbunden ist, erheblich reduziert, und Nutzer können sich effizient auf die für sie relevanten Daten konzentrieren.
• Der Bild-Anonymisierer ist ein essenzieller Service für die Entwicklung und das Training von Künstlicher Intelligenz im Bereich des autonomen Fahrens. Dieser Service bietet die Möglichkeit, Bilder so zu bearbeiten, dass persönliche oder sensible Informationen unkenntlich gemacht werden. Durch den Einsatz fortschrittlicher Techniken zur Anonymisierung werden Gesichter, Kennzeichen und andere identifizierbare Merkmale in Bildern, die für Trainingszwecke verwendet werden, verdeckt. Dies stellt sicher, dass die Privatsphäre gewahrt bleibt, während gleichzeitig wertvolle Daten für das Training von autonomen Fahrsystemen zur Verfügung gestellt werden können.

Multi-Agenten-Systeme (MAS) bestehen aus mehreren intelligenten Agenten, die zusammenarbeiten, um komplexe Aufgaben zu bewältigen. Ihre Fähigkeit zur Kooperation, Anpassung und dezentralen Entscheidungsfindung macht sie besonders attraktiv für eine Vielzahl von Anwendungen, von Robotik bis Datenanalyse. Ihre Motivation liegt darin, dass sie effizient komplexe Probleme lösen können, die für einen einzelnen Agenten zu herausfordernd wären. Im Rahmen des Projekts BeIntelli nutzen wir die Potenziale von MAS gezielt für die Entwicklung von Komponenten im Kontext des autonomen Fahrens. Autonomes Fahren stellt enorme Herausforderungen an die Datenverarbeitung und Entscheidungsfindung, und MAS bieten hierfür eine ideale Lösung. Durch den Einsatz von MAS in BeIntelli streben wir danach, die Grenzen des autonomen Fahrens zu erweitern und neue Maßstäbe in dieser zukunftsweisenden Technologie zu setzen. Darüber hinaus arbeiten wir auch an der Entwicklung neuer MAS, die speziell für die Anforderungen des autonomen Fahrens konzipiert sind. Diese neuen Systeme sollen nicht nur bestehende Technologien verbessern, sondern auch als Grundlage für zukünftige Innovationen im Bereich des autonomen Fahrens dienen.