Um Forschungsalgorithmen im Bereich des autonomen Fahrens zu validieren und zu demonstrieren, sind Testfahrten auf der Straße unerlässlich. Da es für fortiss nicht möglich ist, einen kompletten Software-Stack zu unterhalten, integrieren die Wissenschaftler*innen im Kompetenzfeld Machine Learning (ML) ihre Forschung in Apollo, einer Open-Source-Lösung für autonomes Fahren, und passen diese an die Erprobung der Verhaltensplanung autonomer Fahrzeuge auf der Straße an.

Obwohl in der Vergangenheit bereits viele Forschungsfahrzeuge für das autonome Fahren gebaut wurden, sind die Hardware-Konstruktion, der Quellcode und die daraus gezogenen Lehren nicht für die nächste Generation von Demonstratoren verfügbar. Dadurch ist es für die Forschungscommunity schwierig, auf früheren Ergebnissen aufzusetzen, da das technische Wissen über den Bau und den Betrieb eines Forschungsfahrzeugs verloren geht.

Die Wissenschaftler*innen bei fortiss analysieren und bewerten die Übertragung eines Open-Source-Stacks für autonomes Fahren auf ein neues Forschungsfahrzeug. Insbesondere erarbeiten sie das Mapping des Apollo Driving Stacks auf das Systemlayout des Forschungsfahrzeugs fortuna. Dies beinhaltet die Kommunikation mit den Aktuatoren durch einen Controller, der auf einer Echtzeit-Hardwareplattform läuft, und die Integration der Sensorik. Mit den gewonnenen Erkenntnissen möchte fortiss andere Forschungsgruppen dazu ermutigen, solche Systeme in Zukunft schneller aufzubauen.

Apollo ist quelloffen, bietet einen vollständigen Stack an Funktionen für autonomes Fahren und ist eine hervorragende Grundlage für weitere Forschung. Allerdings bietet der Stack keine interaktiven Verhaltensplanungsalgorithmen. Parallel dazu hat fortiss verschiedene Softwaremodule hinzugefügt, um Apollo auf einem VW-Passat-GTE-Forschungsfahrzeug zu betreiben.

Apollo - Smart Transportation Solution