Aufwendige Erhebung von Trainingsdaten

Mercedes habe die Daten ausschließlich mit der eigenen Testwagenflotte eingefahren, erläuterte der Entwicklungschef für automatisierte Fahrsysteme, Christoph von Hugo. Dazu seien dedizierte Datenerhebungsfahrzeuge in verschiedenen Ländern unterwegs gewesen. Sie lieferten den Grunddatensatz.

Dann gebe es noch eine "Sparse Data Collection" , bei der bestimmte Situationen wie rote Ampeln eingefahren würden. Das sei ein iterativer Prozess. Je nachdem, wie gut das funktioniere, würden dann weitere Daten nachgefahren.

Hugo wollte keine genauen Angaben dazu machen, wie viele Millionen Kilometer die Datensammler zu diesem Zweck unterwegs waren. Zudem bemesse sich der Aufwand im städtischen Verkehr eher in Stunden. Allerdings zeigten Mercedes und Bosch schon 2018 , wie sie die erfassten Aufnahmen auswerten (labeln), um damit neuronale Netze trainieren zu können. Nun können die Früchte dieser jahrelangen Arbeit geerntet werden.

Sichere Fahrt durch die Münchner Innenstadt

Künftig will Mercedes zum Trainieren der Modelle auch Daten aus Kundenfahrzeugen nutzen. Dazu ist allerdings eine aktive Zustimmung in der Mercedes-Me-App erforderlich. Das bedeutet aber nicht, dass nicht schon jetzt gewisse Daten aus der Kundenflotte in die Entwicklung des Systems einfließen. So können die Entwickler aus den Daten Situationen erkennen, in denen häufiger Eingriffe vorgenommen werden oder wo es schwierige Bedingungen für die Sensoren wie Radare und Kameras gibt.

Auf der 20-minütigen Fahrt durch die Münchner Innenstadt gab es für den CLA keine größeren Probleme. Allerdings traten keine besonders herausfordernden Situationen wie ein großer Kreisverkehr oder ein Linksabbiegen mit Gegenverkehr auf. Was auffiel: Steht ein Fußgänger oder Fahrradfahrer sehr nah am Fahrbahnrand, reduziert das Auto seine Geschwindigkeit und fährt vorsichtig in einem kleinen Bogen vorbei. In einem Tunnel ordnete sich das Fahrzeug rechtzeitig auf der richtigen Spur ein, obwohl keine GPS-Daten empfangen werden konnten.

Das Auto schwamm gut im Verkehr mit und hielt dabei die Tempolimits ein. Laut Entwicklungsleiter Hugo ist die Verkehrszeichenerkennung besser als bei einem halbwegs aufmerksamen Fahrer. Diese Erkennung könne auch mit synthetischen Daten trainiert werden, wenn beispielsweise neue Verkehrszeichen eingeführt würden. Das sei bei Radar und Lidar jedoch schwieriger, weil Reflexionen der Strahlen vom Material der Objekte abhingen.

An einer Stelle der Fahrt war der Assistent jedoch überfordert.