BUP48

Durch die steigende Anzahl von Sensoren und Softwarekomponenten werden automatisierte Fahrzeuge (AVs) zunehmend komplexer. Dies erfordert virtuelle Validierungsumgebungen, die vielfältige realitätsnahe Umgebungsbedingungen wie Wettereinflüsse und Wechsel zwischen Licht und Schatten simulieren. Bestehende Techniken zur Szenariogenerierung basieren häufig auf Parametervariation bekannter Szenarien oder realen Flottendaten. Die für die Validierung von AVs besonders relevanten Szenarien Folgefahrten oder Abbiege-Manöver sind daher mit diesen Ansätzen limitiert.

In dem Projekt soll ein neuartiger Ansatz entwickelt werden, indem Large Language Models (LLMs) zur Generierung von Fahrszenarien genutzt werden, um die Vielfalt und Realitätsnähe von Szenarienkatalogen zu verbessern.

Unser Ansatz besteht aus einem zweistufigen Prozess. Zunächst werden LLMs (z.B. GPT-Modelle von OpenAI) verwendet, um funktionale Szenarien zu entwerfen, die ein breites Spektrum an Fahrbedingungen abdecken. In einem zweiten Schritt werden diese abstrakten Szenarien in konkrete, ausführbare Szenarien umgewandelt, die den standardisierten Formaten ASAM OpenSCENARIO und OpenDRIVE entsprechen. Dies ermöglicht ihre Integration in virtuelle Validierungsumgebungen und eine nahtlose Simulation.

Ziel

Das Projekt zielt darauf ab, einen neuartigen Rahmen zu entwickeln, der LLMs verwendet, um realistische und vielfältige Fahrszenarien für das Testen automatisierter Fahrzeuge zu erzeugen. Dieser Ansatz zielt darauf ab, die Vielfalt der Szenarien über die traditionellen Methoden hinaus zu erhöhen, die oft durch mangelnde Vielfalt und die Abhängigkeit von vordefinierten Vorlagen oder unvollständigen realen Daten eingeschränkt sind.

Vorgehen

Das Projekt wendet eine zweistufige Methodik unter Verwendung von LLMs an:

• Entwurf von abstrakten Szenarien: Verwendung allgemeiner LLM-Serien zur Erzeugung eines breiten Spektrums möglicher Fahrbedingungen, einschließlich seltener und komplexer Situationen.
• Konkrete Szenarienentwicklung: Umwandlung dieser abstrakten Szenarien in detaillierte, ausführbare Formate (z.B. ASAM OpenSCENARIO).

Nutzen

Diese Methode bietet bedeutende Innovationen bei der automatisierten Fahrzeugerprobung:

• Erhöhter Realismus und Vielfalt: Durch die Erstellung von Szenarien, die ein breiteres Spektrum von Fahrbedingungen widerspiegeln, einschließlich ungewöhnlicher und unvorhergesehener Situationen.
• Erhöhte Effizienz: Rationalisierung des Testprozesses durch die direkte Erstellung von brauchbaren, detaillierten Szenarien und zugehörigem Code, wodurch der Bedarf an manuellen Eingriffen reduziert wird.