emissionsfrei | bedürfnisorientiert | individuell
Wir schaffen wir es, unseren aktuell hohen Individualisierungsgrad in der Mobilit?t in Zukunft emissionsfreundlich und klimaneutral zu gestalten?
Verlinkung Projektunterseiten Schmidt
Ready for Smart City Robots?
Mit unserem Projekt Ready for Smart City Robots? leisten wir einen entscheidenden Beitrag, um unsere (Klein-) St?dte zukunftsf?hig und klimafreundlich zu gestalten. Wir erforschen die Einsatzm?glichkeiten autonomer Mobilit?tssysteme und Lieferdienste in kleinst?dtischen, eher l?ndlich gepr?gten Regionen.
Autonome Mobilit?tssysteme oder Lieferdienste meint dabei Mikromobile, die selbstst?ndig auf Geh- und Radwegen unterwegs sind. SIe bieten - auch feranb der gro?en St?dte - eine vielversprechende Alternative, die insbesondere im Hinblick auf Lebensqualit?t und Daseinsvorsorge gro?e Entwicklungspotentiale bietet.
Um den potentiellen Erfolg dieser Mikromobile genau beurteilen zu k?nnen, bedarf es zun?chste einer umfassenden (Bestands-) Aufnahme der Umgebung - dazu geh?ren beispielsweise minimale Wegbreiten, Passant:innenaufkommen sowie Sichtachsen. Abseits gro?er St?dte stehen diese Daten jedoch nur unvollst?ndig bereit und sind heterogen strukturiert, sodass sie keine (belastbare) Grundlage für den erfolgreichen Einsatz der Mikromobile bieten.
Mit unserem Projekt Ready for Smart City Robots? verfolgen wir zwei fahrradgebundene Strategien zur Erhebung dieser Daten. Dabei integrieren wir einerseits multimodale Sensorsets in Leihfahrr?der und binden andererseits eine Community aus Freiwilligen ein, die die Daten mittels Smartphone-App am Fahrrad erheben. Au?erdem evaulieren den Prozess - hinsichtlich der Effizienz und Qualit?t der ermittelten Informationen - anhand konkreter Szenarien (autonome Leihfahrr?der | Lieferroboter) und Smart City|Town|Village Anwendungen und hinsichtlich ihrer r?umlichen Abdeckung sowie der Abbildungsvielfalt.
Indem wir notwendige Parameter sowie - aktuell noch vorhandene - Lücken in den verfügbaren Daten an unterschiedlichen Standorten identifizieren, leisten wir einen wichtigen Beitrag zur datengetriebenen Entwicklung intelligenter Mobilit?ts- und Logistikkonzepte.
"Mit diesem Projekt leisten wir einen wichtigen Beitrag für eine zukunftsf?hige und klimafreundliche Mobilit?t."Prof. Dr. Stephan Schmidt
Datenschutzhinweis
Wenn Sie unsere YouTube-Videos abspielen, werden Informationen über Ihre Nutzung von YouTube an den Betreiber in die USA übertragen und unter Umst?nden gespeichert.
Cube Stories | 06 | Stephan Schmidt
Aktiv zur Mobilit?tswende beitragen - das ist das pers?nliche Anliegen von Prof. Dr. Stephan Schmidt. Was das genau bedeutet und woran er gerade forscht, das erfahren Sie in unseren Cube Stories.
OPTmicro
OpenTrainingData für automatisierte und autonome Mikromobile
Mikromobile k?nnen CO2-Emissionen und Verkehr reduzieren. Bisherige Entwicklungen von automatisiertem Fahren sind sehr stark auf Kfz fokussiert. Daher gibt es bisher keinen offenen Datensatz, der das Entwickeln von autonomen Fahrfunktionen im Mikromobilkontext abseits von Kfz-Fahrbahnen erm?glicht. Somit k?nnen Early-Stage-Entwicklerteams und Universit?ten nur sehr schwer erste Verfahren entwickeln und KI-/ML- Anwendungen trainieren.
Projektziel
Ziel von OPTmicro ist, einen offenen Trainingsdatensatz für automatisierte und autonome Mikromobile zu erheben, aufzuarbeiten und der Wissenschaftscommunity sowie Unternehmen zur Verfügung zu stellen. Dadurch wird Entwicklern von Mobilit?tsl?sungen ein Datensatz frei als offener Datensatz unter einer Open-Source-Lizenz zur Verfügung gestellt, der auf die anwendungsspezifischen Erfordernisse wie das Fahren abseits von Kfz-Fahrbahnen eingeht.
Durchführung
Das Projekt umfasst die Ausstattung und Modifikation eines bestehenden Versuchstr?gers sowie die Konzeption einer Datensammelstrategie. Damit wird ein Datensatz in verschiedenen Verkehrssituationen in unterschiedlichen Operationsgebieten und -zeitr?umen erhoben. Die Daten werden manuell und teilautomatisiert aufbereitet und als offener Datensatz ver?ffentlicht. Zus?tzlich werden auf Basis des Datensatzes KI-Modelle als Referenz trainiert, welche ebenfalls ?ffentlich zug?nglich gemacht werden.
bet36体育在线_bet36体育投注¥官网
Fotos: Christian Auspurg | HoMe