safe.trAIn
Das Problem
Das Projekt
Projektlaufzeit: 01.01.2022 – 31.12.2024 | Website: safetrain-projekt.de
Für eine bessere Qualität und den Umfang von Zugdienstleistungen müssen höhere Automatisierungsgrade im Zugbetrieb erreicht werden. Obwohl Züge in kontrollierten Umgebungen wie Flughäfen bereits teilweise autonom fahren können, geschieht dies noch nicht in der freien Welt außerhalb kontrollierter Zonen. safe.trAIn versucht, Lösungen für diese komplexe Herausforderung zu erarbeiten, um das Potenzial des automatisierten Zugverkehrs für die Sicherheit, Verlässlichkeit und Nachhaltigkeit zu nutzen. Künstliche Intelligenz ist ein wichtiger Bestandteil zukünftiger Steuerungsplattformen für den fahrerlosen Zugbetrieb, wie z.B. in der Hinderniserkennung.
Um die Einsatzfähigkeit von KI-Lösungen im Zug zu gewährleisten, muss die Sicherheit und Transparenz der zugrundeliegenden Algorithmen nachgewiesen werden. Das safe.trAIn-Konsortium, das aus verschiedenen Industriepartnern, Softwareunternehmen und Aufsichtsbehörden besteht, widmet sich diesen Fragen, um einen qualitativ hochwertigen Zugverkehr zu gewährleisten. Daher beschleunigt safe.trAIn auch den Übergang zu einem umweltfreundlichen Transportsystem.
Die Lösung
Unser Beitrag
Merantix Momentum entwickelt in safe.trAIn Methoden für die sichere KI-Funktion der autonomen Zugsteuerung. Im Vordergrund stehen dabei insbesondere die Labeleffizienz und Robustheit sowie die Transparenz der Algorithmen. Aufgrund der Knappheit von annotierten Daten im Zugbereich, müssen Methoden möglichst effizient mit Labels umgehen. Merantix Momentum entwickelt Ansätze, um neuronale Netze, die mit großen Datenmengen vortrainiert wurden, auf die projektspezifischen Datensätze zuzuschneiden.
Die kürzlich populär gewordenen Methoden des selbst gesteuerten Lernens sind hierfür besonders interessant, da sie zum Feinjustieren keine expliziten Labels benötigen. Die Robustheit und Transparenz sind für das Projekt besonders wichtig, da ohne sie kein sicherer Zugbetrieb möglich ist. Merantix Momentum untersucht die Auswirkungen von Out-of-Distribution-Daten auf nachgeschaltete Modelle und wie solche Eingaben erkannt werden können. Des Weiteren wird angestrebt, durch spezielle Netzarchitekturen günstigere Eigenschaften bezüglich der Transparenz zu schaffen.
Unser Ergebnis
Weitere Projekte ansehen
Kontaktieren Sie uns
- Kritische und ganzheitliche Bewertung des Ansatzes
- Entwicklung von Leitfaden zur zuverlässigen Umsetzung
- Kostenfrei und unverbindlich
Jetzt Ihre KI-Reise mit uns starten
Jetzt im Merantix Momentum Newsletter anmelden.
Weitere Projekte ansehen
Kontaktieren Sie uns
- Kritische und ganzheitliche Bewertung des Ansatzes
- Entwicklung von Leitfaden zur zuverlässigen Umsetzung
- Kostenfrei und unverbindlich