Diese Dissertation befasst sich mit der entstehenden Herausforderung der Datenverarbeitung bei der Entwicklung des automatisierten Fahrens. Die zunehmenden Datenmengen, die bei der Entwicklung und dem Betrieb dieser Systeme anfallen, erfordern effiziente Handhabungsstrategien. Ein umfassender Überblick über den aktuellen Stand der Technik zeigt, dass die Datenreduktion eine praktikable Lösung für die Bewältigung dieser großen Datenmengen darstellt. Darüber hinaus zeigen sich, durch eine Analyse des Standes der Technik, verschiedene Herausforderungen, bei denen etablierte Methoden unzureichend sind, wie z.B. der Umgang mit dem offenen Kontext. Daraus ergibt sich die primäre Forschungsfrage dieser Dissertation:

(1) Wie kann eine Datenreduktion umgesetzt werden, um diese Herausforderungen zu bewältigen? Die in dieser Arbeit vorgeschlagene Lösung ist ein neuartiger Ansatz zur Datenreduktion, der das Konzept der Relevanz integriert und darauf abzielt, den Informationsbedarf in den Daten genau zu definieren und zu deklarieren. Dieser Ansatz ermöglicht eine bessere Kontrolle über den Leistungsverlust in späteren Anwendungsfällen und führt zu zwei sekundären Forschungsfragen:

(2) Wie kann Relevanz formal definiert werden, um ihre Verwendung bei der Datenreduktion zu ermöglichen?

(3) Wie wirkt sich die neuentwickelte Methode der Datenreduktion auf die Leistung der nachfolgenden Anwendungsfälle aus?

Zur Beantwortung der zweiten Frage wird das Konzept der Relevanz in der Literatur intensiv untersucht. Es wird ein allgemeines Relevanzmodell für das automatisierte Fahren, sowie eine Methodik zur Ableitung und Validierung von anwendungsfallspezifischen Relevanzmodellen entwickelt. Die Anwendung dieser Methodik auf einen ausgewählten Anwendungsfall demonstriert ihre Wirksamkeit. Zur Beantwortung der dritten Frage wird eine Architektur für relevanzgesteuerte Datenreduktion vorgeschlagen. Ein Prototyp, der diese Architektur implementiert, wird im Zusammenhang mit der Wahrnehmung und dem Training neuronaler Netze evaluiert, wobei der Schwerpunkt auf semantischen Segmentierungs- und Objekterkennungsaufgaben liegt. Die Ergebnisse zeigen, dass eine relevanzgesteuerte Datenreduktion den Leistungsverlust bei Wahrnehmungsaufgaben wirksam kontrollieren kann. Beim Training neuronaler Netze ist jedoch eine starke Aufgabenabhängigkeit zu beobachten, wodurch die Grenzen des Ansatzes und Möglichkeiten für zukünftige Forschung aufgezeigt werden. Zusammenfassend stellt diese Arbeit einen Beitrag zu zwei Bereichen dar: Erstens werden Methoden zur Bewältigung der Herausforderungen bei der Verarbeitung großer Mengen von Fahrzeugdaten und der Reduktion dieser Daten auf die Anteile mit relevanten Informationen entwickelt. Zweitens werden Ansätze zur expliziten Berücksichtigung der großen Vielfalt von Relevanzkonzepten bei der Entwicklung des automatisierten Fahrens aufgezeigt.