Unser KI-Labor in Berlin bietet den idealen Rahmen und die optimalen Bedingungen für herausragende angewandte Forschung in verschiedenen KI Themen wie Generative KI, Computer Vision, Erklärbare & Sichere KI, Daten für KI, Bewegungsplanung für autonome Systeme wie Fahrzeuge und Roboter sowie Verarbeitung natürlicher Sprache.
Über uns
Unser internationales Team von KI-Experten, Doktoranden und Masterstudenten arbeitet eng mit Experten aus einer Vielzahl von Unternehmensbereichen zusammen, um die Lücke zwischen Forschung und Anwendung zu schließen und AUMOVIO durch modernste KI-Technologien zu stärken. Am Merantix AI Campus in Berlin profitieren wir zudem von Kontakten und Kooperationen mit anderen KI-Unternehmen und Forschungseinrichtungen.
Unsere Tätigkeiten
In unserem KI-Labor in Berlin arbeiten wir derzeit an den folgenden Hauptprojekten:
Just Better Data (jbD)
Das Ziel des Just Better Data-Projekts ist es, KI-gesteuerte Methoden und Tools zur effizienten und präzisen Datenerfassung zu entwickeln. Anstatt übermäßige Datenmengen zu produzieren, liegt der Fokus auf der Verarbeitung, Bewertung und Auswahl von Daten direkt im Aufzeichnungsfahrzeug. KI-Algorithmen werden eingesetzt, um fehlende Daten zu identifizieren und mit synthetischen Daten zu ergänzen, wodurch ein fairer und repräsentativer Datensatz entsteht.
nxtAIM
nxtAIM nutzt das enorme Potenzial generativer Technologien, um neue Ansätze für eine bessere Skalierbarkeit, Übertragbarkeit und Rückverfolgbarkeit von autonomen Fahrfunktionen zu entwickeln, die bisher in ihrem Anwendungsbereich sehr eingeschränkt waren. Der Fokus liegt auf der Entwicklung generativer Methoden, die die etablierten diskriminativen Methoden der künstlichen Intelligenz ergänzen.
Safe AI
Ziel des Projekts ist die Erstellung einer Sicherheitsargumentation für KI-Funktionen im autonomen Fahren über den gesamten Lebenszyklus hinweg. Dies umfasst die Phasen der Planung, Entwicklung, Erprobung, Inbetriebnahme, Überwachung sowie die Integration in das Gesamtsystem. Im Mittelpunkt steht die Orchestrierung und Verknüpfung der verschiedenen Elemente dieser Sicherheitsargumentation, um aufzuzeigen, wie KI-Funktionen dauerhaft und zuverlässig über den gesamten KI-Lebenszyklus hinweg abgesichert werden können.
Im BeIntelli-Projekt entwickelte unser Robotikteam den Prototyp des AUMOVIO AMR (Autonomous Mobile Robots) für den Einsatz in öffentlichen Räumen. Der Roboter wird von unserer KI-basierten Softwarelösung für Wahrnehmung, Lokalisierung und Navigation sowie Sicherheit betrieben. Es ist der erste vollständig automatisierte AMR, der jemals eine Fahrgenehmigung für öffentliche Bereiche in Berlin erhalten hat, einschließlich des belebten Kurfürstendamms- und Otto-Suhr-Allee-Boulevards.
In KI Wissen haben wir Methoden entwickelt und untersucht, um vorhandenes Wissen in die datengetriebenen KI-Funktionen autonomer Fahrzeuge zu integrieren. Ziel des Projekts ist es, ein umfassendes Ökosystem für die Integration von Wissen in das Training und die Absicherung von KI-Funktionen zu schaffen, um die Grundlage für das Training und die Validierung von KI-Funktionen völlig neu zu definieren.
Publikationen
Vergangene Publikationen
Die nachfolgenden Publikationen wurden zu einem Zeitpunkt veröffentlicht, als AUMOVIO noch unter dem früheren Unternehmensnamen Continental Automotive firmierte. Aus diesem Grund ist in den Publikationen weiterhin die frühere Unternehmensbezeichnung enthalten. Bitte beachten Sie, dass wir auf die in bereits veröffentlichten Publikationen verwendete Unternehmensbezeichnung keinen Einfluss haben.
- Aditi Bhalla, Christian Hellert, Nastassja Becker, Enkelejda Kasneci. TRUCE-AV: A Multimodal dataset for Trust and ComfortEstimation in Autonomous Vehicles. In European Conference on AI (ECAI).
- Mert Keser, Halil Ibrahim Orhan, Niki Amini-Naieni, Gesina Schwalbe, Alois Knoll, Matthias Rottmann. Benchmarking Vision Foundation Models for Input Monitoring in Autonomous Driving. In British Machine Vision Conference (BMVC).
- Mohamed-Khalil Bouzidi, Bojan Derajic, Daniel Goehring, Joerg Reichardt. Reachability-Based Contingency Planning against Multi-Modal Predictions with Branch MPC. In IEEE Intelligent Vehicles Symposium (IV).
- Bojan Derajic, Mohamed-Khalil Bouzidi, Sebastian Bernhard, and W. Hönig. Learning Maximal Safe Sets Using Hypernetworks for MPC-Based Local Trajectory Planning in Unknown Environments. In IEEE Robotics and Automation Letters.
- Kumar Manas, Mert Keser, Alois Knoll. Integrating Legal and Logical Specifications in Perception, Prediction, and Planning for Automated Driving: A Survey of Methods. In IEEE IAVVC.
- Mohamed Parvez Aslam, Bojan Derajic, Mohamed-Khalil Bouzidi, Sebastian Bernhard and Jan Oliver Ringert. Model Predictive Control for Crowd Navigation via Learning-Based Trajectory Prediction. In International Conference on Informatics in Control, Automation and Robotics (ICINCO).
- Motzkus, F., Schmid, U. Concepts Guide and Explain Diffusion Visual Counterfactuals. In The 3rd World Conference on Explainable AI (xAI-2025).
- Tanmay Chakraborty, Christian Wirth, and Christin Seifert. Comparative Explanations: Explanation Guided Decision Making for Human-in-the-Loop Preference Selection. In The 3rd World Conference on Explainable AI (xAI-2025).
- Tanmay Chakraborty, Christin Seifert, and Christian Wirth. Explainable Bayesian optimization. In The 3rd World Conference on Explainable AI (xAI-2025).
- Manas Kumar and Adrian Paschke. Knowledge integration strategies in autonomous vehicle prediction and planning: A comprehensive survey. In IEEE Intelligent Vehicles Symposium (IV).
- Yue Yao, Mohamed-Khalil Bouzidi, Daniel Goehring, Joerg Reichardt. EP-Diffuser: An Efficient Diffusion Model for Traffic Scene Generation and Prediction via Polynomial Representations. In IEEE Robotics and Automation Letters (RA-L).
- Manas Kumar, Christian Schlauch, Adrian Paschke, Christian Wirth, Nadja Klein. Uncertainty-Aware Trajectory Prediction via Rule-Regularized Heteroscedastic Deep Classification. In Robotics Science and Systems (RSS).
- Mohamed-Khalil Bouzidi, Christian Schlauch, Nicole Scheuerer, Yue Yao, Nadja Klein, Daniel Goehring, Joerg Reichardt. Closing the Loop: Motion Prediction Models beyond Open-Loop Benchmarks”, in IEEE Intelligent Transportation Systems Conference (ITSC).
- Marius Kästingschäfer, Théo Gieruc, Sebastian Bernhard, Dylan Campbell, Eldar Insafutdinov, Eyvaz Najafli, Thomas Brox. SEED4D: A Synthetic Ego–Exo Dynamic 4D Data Generator, Driving Datasetand Benchmark. In Winter Conference on Applications of Computer Vision (WACV).
- Yue Yao, Shengchao Yan, Daniel Goehring, Wolfram Burgard, Joerg Reichardt. Improving Out-of-Distribution Generalization of Trajectory Prediction for Autonomous Driving via Polynomial Representations. In IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS).
- Yue Yao, Daniel Goehring, Joerg Reichardt. Beyond In-Distribution Performance: A Cross-Dataset Study of Trajectory Prediction Robustness. In 16. FAS-Workshop.
- Bouzidi, M.-K., Derajic, B., Goehring, D., Reichardt, J. Motion Planning under Uncertainty: Integrating Learning-Based Multi-Modal Predictors into Branch Model Predictive Control. In the International Conference on Intelligent Transportation Systems (ITSC-2024).
- Bouzidi, M.-K., Yao, Y., Goehring, D., Reichardt, J. Learning-Aided Warmstart of Model Predictive Control in Uncertain Fast-Changing Traffic. In the International Conference on Robotics andAutomation (ICRA).
- Manas K., Zwicklbauer, S., Paschke, A. LLM based framework for Metric Temporal Logic Formalization of Traffic Rules. In the 2024 IEEE Intelligent Vehicles Symposium (IV).
- Mikriukov, G., Schwalbe, G., Motzkus, F., Bade, K. Unveiling the Anatomy of Adversarial Attacks: Concept-Based XAI Dissection of CNNs. In the 2nd World Conference on Explainable AI (xAI-2024).
- Motzkus, F., Mikriukov, G., Hellert, C., Schmid, U. Locally Testing Model Detections for Semantic Global Concepts. In xAI-2024.
- Sbeyti, M. K., Karg, M., Wirth C., Klein, N., Albayrak, S. Cost-Sensitive Uncertainty-Based Failure Recognition for Object Detection. In the Uncertainty in AI Conference (UAI).
- Schlauch, C., Wirth, C., Klein, N. Informed Spectral Normalized Gaussian Processes for Trajectory Prediction (Preprint). In ECAI-2024.
- Shoeb, Y., Chan, R., Schwalbe, G., Nowzad, A., Güney, F., Gottschalk, H. Have We Ever Encountered This Before? Retrieving Out-of-Distribution Road Obstacles From Driving Scenes. In the Winter Conference on Applications of Computer Vision (WACV-2024).
- Chakraborty, T., Wirth, C., Seifert, C. Post-hoc Rule Based Explanations for Black Box Bayesian Optimization. In ECAI 2023 International Workshops.
- Kesser, M. Real-Time Explainable Plausibility Verification for DNN-based Automotive Perception. In the 1st World Conference on Explainable AI xAI-2023 & Late-breaking Work, Demos and Doctoral Consortium Joint Proceedings.
- Manas, K. and Paschke, A. Semantic Role Assisted Natural Language Rule Formalization for Intelligent Vehicle. In the International Joint Conference on Rules and Reasoning.
- Manas, K. and Paschke, A. Legal Compliance Checking of Autonomous Driving with Formalized Traffic Rule Exceptions. In Workshop on Logic Programming and Legal Reasoning in conjunction with 39th International Conference on Logic Programming (ICLP).
- Mikriukov, G., Schwalbe, G., Hellert, C., Bade, K. Revealing Similar Semantics Inside CNNs: An Interpretable Concept-based Comparison of Feature Spaces. In the AIMLAI 2023 Workshop in conjunction with ECML-PKDD.
- Mikriukov, G., Schwalbe, G., Hellert, C., Bade, K. Evaluating the Stability of Semantic Concept Representations in CNNs for Robust Explainability. In the 1st World Conference on Explainable AI (xAI-2023).
- Sbeyti, M. K., Karg, M., Wirth C., Nowzad, A., Albayrak, S. Overcoming the Limitations of Localization Uncertainty: Efficient & Exact Non-Linear Post-Processing and Calibration. In ECML-PKDD 2023, Research Track.
- Schlauch, C., Wirth, C., Klein, N. Informed Priors for Knowledge Integration in Trajectory Prediction. ECML-PKDD 2023, Research Track.
- Yao, Y., Goehring, D., Reichardt, J. An Empirical Bayes Analysis of Object Trajectory Models. In the International Conference on Intelligent Transportation Systems (ITSC 2023).
Unsere KI-Experten und Doktoranden
In unserem KI-Labor in Berlin arbeiten unsere KI-Experten, Doktoranden und Master-Studenten eng mit Experten aus der gesamten Organisation zusammen. Für Einblicke in die innovative Arbeit unserer Experten und Forscher, besuchen Sie unsere Teamübersicht!
