Es wird erwartet, dass die Projektergebnisse zu allen der folgenden Ziele beitragen werden:

• CCAM-Lösungen - in Hardware und Software - mit reduziertem Stromverbrauch, Latenz und verbesserter Geschwindigkeit und Genauigkeit, als domänenspezifische Anpassungen von sektorunabhängigen Fortschritten in z.B. KI und/oder Cloud-Edge-IoT-Technologien;
• Ein höheres Maß an Sicherheit, (Cyber-)Security, Datenschutz und ethischen Standards bei datengesteuerten CCAM-Funktionen durch den Einsatz von z.B. Edge-AI-Anwendungen für CCAM;
• Ansätze für ausgewogene Verteilungen von KI-Berechnungen zur Erweiterung von Anwendungsfällen (z.B. kollektive Wahrnehmung, Entscheidungsfindung und Betätigung) für vernetzte, kooperative und automatisierte Fahranwendungen (unter Verwendung einer ausgewogenen Mischung aus Edge-basierten Lösungen, Cloud-fähigen Lösungen und fahrzeugzentralen Lösungen), wobei Geschwindigkeit und Latenz, Energieverbrauch, Kosten, Datenaustausch und Speicherbedarf sowie Verfügbarkeit ausbalanciert werden;
• Validierte Ansätze, die Edge-AI-Lösungen in die Handlungskette von der Wahrnehmung und Entscheidungsfindung bis zur Aktivierung fortgeschrittener CCAM-Funktionen - sowohl an Bord als auch auf der Infrastrukturseite - für systemische Anwendungen wie Verkehrsmanagement und Fernsteuerung einbeziehen, sowie Werkzeuge und Ansätze für das Training solcher Funktionen, die optimierte und verifizierte Edge-AI-Modelle erfordern.

CCAM-fähige Fahrzeuge erfassen ständig ihre Umgebung in Bezug auf Straßenzustand, Standort, Fahrzeuge in der Nähe und Infrastruktur. Diese Daten werden in Echtzeit ausgetauscht, während Daten aus anderen Quellen empfangen werden. Dies erfordert leistungsstarke und optimierte Algorithmen für die Verarbeitung großer Datenmengen, was große Mengen an Rechenleistung, Datenverarbeitung, Echtzeitbetrieb und ein hohes Maß an Sicherheit erfordert. Die meisten bestehenden KI-Rechenaufgaben für automatisierte Fahrzeuganwendungen basieren jedoch auf Allzweck-Hardware, die in Bezug auf Stromverbrauch, Geschwindigkeit, Genauigkeit, Skalierbarkeit, Speicherbedarf, Größe und Kosten Einschränkungen aufweist. Hardware-Fortschritte, die durch Initiativen wie die Chips JU-Aufrufe vorangetrieben werden, müssen durch erhebliche Anstrengungen zur Optimierung von KI-Algorithmen für CCAM-Funktionen ergänzt werden, um deren effiziente Leistung auf Edge-spezifischer Hardware sicherzustellen.

Um CCAM-Lösungen in künftige Schritte, z.B. zum Software Defined Vehicle, einzubeziehen, ist dieser duale Ansatz für KI-Fortschritte und Hardware-Fortschritte unerlässlich. Komplementaritäten mit Projekten, die im Rahmen des Clusters 4 "Digitale Industrie und Raumfahrt" von Horizon Europe finanziert werden, sollten gegebenenfalls ebenfalls in Betracht gezogen werden, insbesondere bei der Übertragung von sektorunabhängigen Innovationen auf die Besonderheiten von CCAM-Anwendungen. Anforderungen an die Optimierung von KI-Algorithmen, die Latenzzeit, die Verfügbarkeit von Energie an Bord, Lösungen zur Gewinnung unverfälschter Datensätze für das KI-Training, die Kapazität des elektronischen Steuergeräts (ECU) und an potenziell sicherheitskritische Szenarien sollten berücksichtigt werden, um die rechtzeitige Auslösung von Aktionen und in einer späteren Phase das vorausschauende Fahren zu gewährleisten. Die Lösungen sollten so weit wie möglich Bausteine, Schnittstellen und Werkzeuge aus Projekten der Initiative Software-Defined Vehicle of the Future (SDVoF) verwenden.

Edge-AI beinhaltet den Einsatz von KI-Algorithmen auf Edge-Computing-Geräten, bei denen es sich um Hardwaresysteme handelt, die sich in der Nähe der Datenquelle befinden, in der sie arbeiten. Dies geschieht, ohne dass für die Berechnungen auf entfernte Ressourcen zurückgegriffen werden muss. Dies ermöglicht Einblicke, Antworten und das Auslösen von Aktionen in Echtzeit bei geringeren Kosten, da die Rechenleistung in der Nähe der Anwendung genutzt wird, was die Netzwerkkosten erheblich reduziert. Die Kombination von KI mit Edge-AI kann stabile Lösungen ermöglichen, die die gesamte Aktivitätskette von der Erkennung, Wahrnehmung, Entscheidungsfindung bis hin zur Auslösung fortschrittlicher CCAM-Lösungen umfassen und dabei an Geschwindigkeit und Belastbarkeit gewinnen, die in sicherheitskritischen Situationen unerlässlich sind.

Um diese Herausforderungen erfolgreich zu meistern, müssen die vorgeschlagenen Maßnahmen alle folgenden Aspekte berücksichtigen:

• Für die nächsten großen Fortschritte bei KI-Anwendungen in CCAM-Lösungen müssen riesige KI-Anwendungen in eine begrenzte Hardware passen, damit diese für den Zweck geeignet ist. Edge-AI-Geräte verfügen oft nur über begrenzte Rechenressourcen, was den Einsatz großer und komplexer KI-Modelle schwierig macht. Daher ist es wichtig, Ansätze und Bausteine für CCAM-Lösungen zu entwickeln und umzugestalten, die auf Edge-Hardware ausgeführt werden können. Die Anwendungsfälle für die Ansätze und Bausteine sollten sich auf zeitkritische Anwendungen konzentrieren (wie die Kette aus (kollektiver) Wahrnehmung, Entscheidungsfindung und Aktivierung von Funktionen) und können mit den Aktivitäten und Ergebnissen der Projekte AI4CCAM^[1] und AIthena^[2] verknüpft werden.
• Entwickeln Sie optimierte Edge-AI-Algorithmen und demonstrieren Sie deren Anwendbarkeit und Skalierbarkeit anhand realer CCAM-Szenarien, z.B. in den Datenbanken, die aus Projekten wie SYNERGIES^[3] resultieren. Der Entwicklungs- und Demonstrationsanwendungsfall sollte die Wahrnehmung und das Verstehen von Objekten im Fahrzeug umfassen, wie z.B. Objekterkennung, Segmentierung, Verfolgung der Straßenoberfläche, Erkennung von Schildern und Signalen usw. Die Entscheidungsfindung und die Auslösung von Gegenmaßnahmen sollen Teil der Handlungskette sein. Die Ansätze für diese Bausteine und Grundlagentechnologien sollten eine schnelle Übernahme in benachbarte oder nachfolgende Projekte ermöglichen;
• Optimierung der Modelle für den Edge-Einsatz. Dazu gehört die Anpassung der Größe und Komplexität der Modelle, damit sie auf den entsprechenden Edge-Geräten ausgeführt werden können, und die Einbeziehung von Trainings- und Verifizierungsansätzen. Techniken wie Modellquantisierung, Pruning und Wissensdestillation können eingesetzt werden, um die Größe von KI-Modellen ohne nennenswerte Leistungseinbußen zu reduzieren. Darüber hinaus können Over-the-Air-Updates (OTA) genutzt werden, um Modelle in einer Flotte von Geräten effizient zu verwalten und zu aktualisieren;
• Entwicklung von Werkzeugen und Ansätzen für die Überwachung von Edge-AI-Modellen, um sicherzustellen, dass Edge-AI-Systeme weiterhin wie erwartet funktionieren und widerstandsfähig gegenüber Ausfällen oder Angriffen sind, sowie Überwachung der Modellergebnisse, um zu gewährleisten, dass sie auch dann noch genau sind, wenn sich die realen Bedingungen und Datensätze ändern.

Die Forschung erfordert eine angemessene Berücksichtigung von Cybersicherheit, Konnektivität und sowohl persönlichen als auch nicht-persönlichen Datenschutzregeln, einschließlich der Einhaltung der Datenschutzgrundverordnung (GDPR), und stellt sicher, dass das Geschlecht und andere soziale Kategorien (wie z.B. Behinderung, Alter, sozioökonomischer Status, ethnische oder rassische Herkunft, sexuelle Orientierung usw.) und deren Überschneidungen gegebenenfalls gebührend berücksichtigt werden, sowie erklärbare KI, um das Vertrauen und die Einhaltung von Vorschriften zu stärken, einschließlich der Anpassung an das KI-Gesetz.

Um die erwarteten Ergebnisse zu erzielen, wird die internationale Zusammenarbeit insbesondere mit Japan und den Vereinigten Staaten, aber auch mit anderen relevanten strategischen Partnern in Drittländern gefördert. Eine solche Zusammenarbeit sollte Synergien bei KI-Ansätzen für die Mobilität und für CCAM sowie deren Integration in die Fahrzeugarchitektur nutzen.

Mit diesem Thema wird die ko-programmierte Europäische Partnerschaft 'Vernetzte, kooperative und automatisierte Mobilität' (CCAM) umgesetzt. Daher wird von den Projekten, die aus diesem Thema hervorgehen, erwartet, dass sie der Europäischen Partnerschaft 'Vernetzte, kooperative und automatisierte Mobilität' (CCAM) über die Ergebnisse berichten, um die Überwachung ihrer KPIs zu unterstützen.

Bei Projekten zu diesem Thema wird erwartet, dass sie die Gemeinsame Europäische Bewertungsmethode (EU-CEM) für CCAM^[4] anwenden.

Im Rahmen dieses Themas geförderte Projekte werden ermutigt, mögliche Komplementaritäten mit den Aktivitäten des Referats für nachhaltige, intelligente und sichere Mobilität der Gemeinsamen Forschungsstelle der Europäischen Kommission zu untersuchen und gegebenenfalls eine formelle Zusammenarbeit einzugehen.

[1] Vertrauenswürdige KI für CCAM, Zuschussvereinbarung ID: 101076911.

[2] KI-basiertes CCAM: Vertrauenswürdig, erklärbar und rechenschaftspflichtig, Grant Agreement ID: 101076754.

[3] Reale und synthetische Szenarien für die Entwicklung, das Training, den virtuellen Test und die Validierung von CCAM-Systemen, Grant Agreement ID: 101146542.

[4] Sehen Sie sich die Bewertungsmethodik hier an.