Petra Bevandić geht die Herausforderung des Trainings autonomer Fahrtechnologien an, indem sie Datensätze sammelt und annotiert. Diese Datensätze enthalten Bilder von Verkehrsszenen, in denen Objekte wie Straßen, Autos und Fußgänger markiert werden. Sie erkennt, dass verschiedene Datensätze unterschiedliche Annotationsstrategien haben können und entwickelt Methoden, um die Bezeichnungen automatisch zu standardisieren und die Datensätze homogen zu machen.
Robin Chan zielt darauf ab, die Grenzen von Algorithmen für das automatisierte Fahren zu erkennen, um zu verhindern, dass sie unzuverlässig werden, wenn sie auf semantisch neue Objekte treffen. Sein Projekt konzentriert sich auf die Unsicherheitsschätzung bei der semantischen Bildsegmentierung, um es dem Algorithmus zu ermöglichen, Vorhersagen abzulehnen, wenn er ein unbekanntes Objekt erkennt. Er betont die Unterschiede in den Objekten auf der Straße in verschiedenen Regionen der Welt und die Bedeutung, Modelle zu entwickeln, die mit unerwarteten Szenarien umgehen können.
Die Forschung von Petra Bevandić und Robin Chan befasst sich gemeinsam mit der Herausforderung, Datensätze mit unterschiedlichem Fokus zu kombinieren und Algorithmen so zu trainieren, dass sie mit unsicheren Situationen umgehen können. Durch ihre Arbeit wollen sie die Zuverlässigkeit autonomer Fahrtechnologien verbessern und sie befähigen, auf vielfältige und unvorhersehbare Szenarien im Straßenverkehr angemessen zu reagieren. Letztendlich streben sie danach, die Entwicklung von autonomen Fahrzeugen voranzutreiben und sicherer zu gestalten.
