TU Darmstadt / ULB / TUbiblio

Context Aware Data Reduction for Highly Automated Driving

Storms, Kai Hendrik (2024)
Context Aware Data Reduction for Highly Automated Driving.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00026704
Dissertation, Erstveröffentlichung, Verlagsversion

Kurzbeschreibung (Abstract)

This research addresses the emerging challenge of data handling in the development of automated driving systems. The increasing volumes of data generated in the development and operation of these systems necessitate efficient handling strategies. A comprehensive review of the current state of the art reveals data reduction as a viable solution to manage these large data volumes. Further, an analysis of the state of the art establishes various challenges where established methodologies are insufficient, such as the open context. This leads to the primary research question of this dissertation:

(1) how to effectively implement data reduction while addressing these challenges. The proposed solution in this work is a novel data reduction approach that integrates the concept of relevance, aiming to precisely define the informational needs within the data. This approach hypothesizes an enhanced control over performance loss in subsequent use cases, leading to two secondary research questions:

(2) How can relevance be formally defined to facilitate its use in data reduction?

(3) What is the impact of this data reduction method on the performance of subsequent use cases?

To answer the second question, the concept of relevance is extensively explored in the literature. A general relevance model for automated driving is developed, along with a methodology for deriving and validating use case-specific relevance models. Application of this methodology to a selected use case demonstrates its effectiveness. Addressing the third question, an architecture for relevance-guided data reduction is proposed. A prototype implementing this architecture is evaluated in the contexts of perception and neural network training, focusing on semantic segmentation and object detection tasks. The findings indicate that relevance-guided data reduction can effectively control performance loss in perception tasks. However, in neural network training, a strong task dependency is observed, highlighting limitations of the approach and opportunities for future research. In conclusion, this work represents a contribution in two areas. First, to overcoming the challenges of handling large amounts of automotive data and reducing this data to only those parts with relevant information. Second, to an explicit consideration of the wide variety of relevance concepts in the development of automated driving.

Typ des Eintrags: Dissertation
Erschienen: 2024
Autor(en): Storms, Kai Hendrik
Art des Eintrags: Erstveröffentlichung
Titel: Context Aware Data Reduction for Highly Automated Driving
Sprache: Englisch
Referenten: Peters, Prof. Dr. Steven ; Lienkamp, Prof. Dr. Markus
Publikationsjahr: 6 März 2024
Ort: Darmstadt
Kollation: XIX, 154 Seiten
Datum der mündlichen Prüfung: 20 Februar 2024
DOI: 10.26083/tuprints-00026704
URL / URN: https://tuprints.ulb.tu-darmstadt.de/26704
Kurzbeschreibung (Abstract):

This research addresses the emerging challenge of data handling in the development of automated driving systems. The increasing volumes of data generated in the development and operation of these systems necessitate efficient handling strategies. A comprehensive review of the current state of the art reveals data reduction as a viable solution to manage these large data volumes. Further, an analysis of the state of the art establishes various challenges where established methodologies are insufficient, such as the open context. This leads to the primary research question of this dissertation:

(1) how to effectively implement data reduction while addressing these challenges. The proposed solution in this work is a novel data reduction approach that integrates the concept of relevance, aiming to precisely define the informational needs within the data. This approach hypothesizes an enhanced control over performance loss in subsequent use cases, leading to two secondary research questions:

(2) How can relevance be formally defined to facilitate its use in data reduction?

(3) What is the impact of this data reduction method on the performance of subsequent use cases?

To answer the second question, the concept of relevance is extensively explored in the literature. A general relevance model for automated driving is developed, along with a methodology for deriving and validating use case-specific relevance models. Application of this methodology to a selected use case demonstrates its effectiveness. Addressing the third question, an architecture for relevance-guided data reduction is proposed. A prototype implementing this architecture is evaluated in the contexts of perception and neural network training, focusing on semantic segmentation and object detection tasks. The findings indicate that relevance-guided data reduction can effectively control performance loss in perception tasks. However, in neural network training, a strong task dependency is observed, highlighting limitations of the approach and opportunities for future research. In conclusion, this work represents a contribution in two areas. First, to overcoming the challenges of handling large amounts of automotive data and reducing this data to only those parts with relevant information. Second, to an explicit consideration of the wide variety of relevance concepts in the development of automated driving.

Alternatives oder übersetztes Abstract:
Alternatives AbstractSprache

Diese Dissertation befasst sich mit der entstehenden Herausforderung der Datenverarbeitung bei der Entwicklung des automatisierten Fahrens. Die zunehmenden Datenmengen, die bei der Entwicklung und dem Betrieb dieser Systeme anfallen, erfordern effiziente Handhabungsstrategien. Ein umfassender Überblick über den aktuellen Stand der Technik zeigt, dass die Datenreduktion eine praktikable Lösung für die Bewältigung dieser großen Datenmengen darstellt. Darüber hinaus zeigen sich, durch eine Analyse des Standes der Technik, verschiedene Herausforderungen, bei denen etablierte Methoden unzureichend sind, wie z.B. der Umgang mit dem offenen Kontext. Daraus ergibt sich die primäre Forschungsfrage dieser Dissertation:

(1) Wie kann eine Datenreduktion umgesetzt werden, um diese Herausforderungen zu bewältigen? Die in dieser Arbeit vorgeschlagene Lösung ist ein neuartiger Ansatz zur Datenreduktion, der das Konzept der Relevanz integriert und darauf abzielt, den Informationsbedarf in den Daten genau zu definieren und zu deklarieren. Dieser Ansatz ermöglicht eine bessere Kontrolle über den Leistungsverlust in späteren Anwendungsfällen und führt zu zwei sekundären Forschungsfragen:

(2) Wie kann Relevanz formal definiert werden, um ihre Verwendung bei der Datenreduktion zu ermöglichen?

(3) Wie wirkt sich die neuentwickelte Methode der Datenreduktion auf die Leistung der nachfolgenden Anwendungsfälle aus?

Zur Beantwortung der zweiten Frage wird das Konzept der Relevanz in der Literatur intensiv untersucht. Es wird ein allgemeines Relevanzmodell für das automatisierte Fahren, sowie eine Methodik zur Ableitung und Validierung von anwendungsfallspezifischen Relevanzmodellen entwickelt. Die Anwendung dieser Methodik auf einen ausgewählten Anwendungsfall demonstriert ihre Wirksamkeit. Zur Beantwortung der dritten Frage wird eine Architektur für relevanzgesteuerte Datenreduktion vorgeschlagen. Ein Prototyp, der diese Architektur implementiert, wird im Zusammenhang mit der Wahrnehmung und dem Training neuronaler Netze evaluiert, wobei der Schwerpunkt auf semantischen Segmentierungs- und Objekterkennungsaufgaben liegt. Die Ergebnisse zeigen, dass eine relevanzgesteuerte Datenreduktion den Leistungsverlust bei Wahrnehmungsaufgaben wirksam kontrollieren kann. Beim Training neuronaler Netze ist jedoch eine starke Aufgabenabhängigkeit zu beobachten, wodurch die Grenzen des Ansatzes und Möglichkeiten für zukünftige Forschung aufgezeigt werden. Zusammenfassend stellt diese Arbeit einen Beitrag zu zwei Bereichen dar: Erstens werden Methoden zur Bewältigung der Herausforderungen bei der Verarbeitung großer Mengen von Fahrzeugdaten und der Reduktion dieser Daten auf die Anteile mit relevanten Informationen entwickelt. Zweitens werden Ansätze zur expliziten Berücksichtigung der großen Vielfalt von Relevanzkonzepten bei der Entwicklung des automatisierten Fahrens aufgezeigt.

Deutsch
Status: Verlagsversion
URN: urn:nbn:de:tuda-tuprints-267043
Sachgruppe der Dewey Dezimalklassifikatin (DDC): 600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften und Maschinenbau
Fachbereich(e)/-gebiet(e): 16 Fachbereich Maschinenbau
16 Fachbereich Maschinenbau > Fachgebiet Fahrzeugtechnik (FZD)
16 Fachbereich Maschinenbau > Fachgebiet Fahrzeugtechnik (FZD) > Fahrerassistenzssysteme
16 Fachbereich Maschinenbau > Fachgebiet Fahrzeugtechnik (FZD) > Sicherheit
TU-Projekte: Bund/BMWi|19A19002S|VVMethoden
Hinterlegungsdatum: 06 Mär 2024 13:02
Letzte Änderung: 07 Mär 2024 06:03
PPN:
Referenten: Peters, Prof. Dr. Steven ; Lienkamp, Prof. Dr. Markus
Datum der mündlichen Prüfung / Verteidigung / mdl. Prüfung: 20 Februar 2024
Export:
Suche nach Titel in: TUfind oder in Google
Frage zum Eintrag Frage zum Eintrag

Optionen (nur für Redakteure)
Redaktionelle Details anzeigen Redaktionelle Details anzeigen