Unser Forschungsvorhaben soll ein System entwickeln, welches dabei Bilder und andere Fahrzeuginformationen verarbeitet und daraus den Zustand des Fahrzeugs in Echtzeit ableitet.

Dieses holistisch KI-basierte System bildet Fahrzeugflotten als digitale Zwillinge ab und ermöglicht ohne den Einsatz spezialisierter Hardware den Flottenbetreibern eine transparente Zustandsermittlung in Nahezu-Echtzeit. Schäden an Fahrzeugen werden mithilfe von Computer Vision erkannt und kategorisiert. Unter anderem werden hierfür neuartige Convolutional Neural Network (CNN)-Modelle für die Objekterkennung erforscht und entwickelt. Verschiedene Anwendungsfälle werden dabei betrachtet und ermöglicht:

- Vorher/Nachher-Vergleich und absolute Zustandsbestimmung

- Routineuntersuchung

- Bericht konkreter Schäden

Wesentliches Forschungsziel ist dabei eine wenig rechenintensive Lösung der KI-Modelle, so dass diese ohne Einbußen in der Präzision direkt auf Smartphones betrieben werden können und damit hohe Belastungen in der Cloud und daraus resultierende Latenzen vermieden werden.

Basierend darauf soll eine durch Machine-Learning automatisierte Abwicklung für Kunden und Versicherungen möglich sein. Ergänzt wird das Produkt durch eine prädiktive Wartung. In den erfassten Betriebsinformationen der Fahrzeuge werden dabei mittels KI auch bislang unbekannte Zusammenhänge genutzt, um flexible Wartungsintervalle zu ermöglichen – dies auch nach Nutzeranforderungen wie Bündelung von Aktivitäten vs. Flottenverfügbarkeit.