Petra Bevandić und Robin Chan setzen sich mit der Herausforderung auseinander, möglichst viele Datensätze für das Training autonomer Fahrzeuge zu nutzen. Ein Datensatz besteht aus Bildern, die je nach Bedarf beschriftet werden. Auch wenn die Datensätze dasselbe breite Thema abdecken, kann es sein, dass jeder eine andere Beschriftungsstrategie hat. Das Ziel ist es, diese verschiedenen Datensätze mit unterschiedlichen Schwerpunkten zu kombinieren und die Beschriftungen mithilfe allgemeiner Prinzipien wie gegenseitigen Beziehungen zu standardisieren.
Petra Bevandić möchte Methoden entwickeln, um Beschriftungen automatisch zu vereinheitlichen und die Datensätze für einheitliches Training verfügbar zu machen. Robin Chan hingegen konzentriert sich darauf, die Grenzen des Algorithmus zu erkennen, um herauszufinden, was er nicht weiß. Er möchte einen innovativen Ansatz zur semantischen Bildsegmentierung vorstellen, der sich auf die Schätzung von Unsicherheiten konzentriert. Beide Forscher befassen sich mit den Diversitäten im Bereich autonomer Fahrzeuge, z.B. unterschiedliche Fahrzeugtypen in verschiedenen Regionen der Welt oder das Auftreten von Tieren auf der Straße.
Das Ziel von Petra und Robin’s Forschung ist es, Systeme zu entwickeln, die besser in der Lage sind, mit unerwarteten Szenarien umzugehen. Indem sie sich mit verschiedenen Datensätzen und ungewöhnlichen Objekten auf der Straße befassen, tragen sie dazu bei, dass Algorithmen auch mit neuen oder unvertrauten Situationen umgehen können. Durch die Berücksichtigung von Unsicherheiten und die Standardisierung von Beschriftungen tragen sie dazu bei, die Leistung autonomer Fahrzeuge zu verbessern und die Sicherheit im Straßenverkehr zu erhöhen.
