In der Serie „Start‑up‑Check!“ nehmen wir regelmäßig die Geschäftsmodelle von Start‑ups unter die Lupe. Was steckt hinter dem Unternehmen? Was macht das Start‑up so besonders und was gibt es zu kritisieren? Heute: DeepScenario.
Start‑ups: Das klingt nach Erfindergeist, Zukunftstechnologien, neuen Märkten. Doch in der Realität erweisen sich viele der Neugründungen leider oft als eine Mischung aus einer E‑Commerce‑Idee, planlosen Gründern und wackeligen Zukunftsaussichten.
Dabei gibt es sie durchaus: die Vordenker, die an den großen Problemen tüfteln und Geschäftsmodelle revolutionieren. Sie zu finden und vorzustellen, ist die Aufgabe des Formats „Start‑up‑Check“. Heute: DeepScenario, Automotive-Tech-Start-up.
Du willst nicht abgehängt werden, wenn es um KI, Green Tech und die Tech-Themen von Morgen geht? Über 10.000 Vordenker bekommen jeden Tag die wichtigsten News direkt in die Inbox und sichern sich ihren Vorsprung.
Nur für kurze Zeit: Anmelden und mit etwas Glück Beats-Kopfhörer gewinnen!
Mit deiner Anmeldung bestätigst du unsere Datenschutzerklärung. Beim Gewinnspiel gelten die AGB.
Was steckt hinter DeepScenario?
- Branche: Automotive Tech
- Gründer: Holger Banzhaf (Geschäftsführer), Jacques Kaiser, Nijanthan Berinpanathan
- Gründungsjahr: 2021
- Geschäftsmodell: B2B-Softwareplattform für die Erstellung realistischer 3D-Verkehrsszenarien für das Testen von Fahrsystemen
- Ziel: Mithilfe von realitätsnahen Testszenarien die Entwicklung autonomer Fahrzeuge und Fahrerassistenzsysteme zu beschleunigen
Autonome Fahrzeuge müssen auch dann richtig reagieren, wenn etwas Unerwartetes passiert: Ein Kind läuft zwischen parkenden Autos auf die Straße, ein Radfahrer taucht im toten Winkel auf, ein Fahrzeug bremst abrupt. Genau solche sicherheitskritischen Situationen – sogenannte Edge Cases – sind in realen Testfahrten kaum reproduzierbar und in künstlichen Simulationen oft nur unzureichend abgebildet.
Hier setzt DeepScenario an.
Holger Banzhaf, Jacques Kaiser und Nijanthan Berinpanathan gründeten ihr Start-up 2021. Die Gründer setzen auf Computer Vision, Robotik und KI, die an deutschen Forschungseinrichtungen und von deutschen Industriepartnern entwickelt wurden.
Die AI Scenario Engine von DeepScenario analysiert Verkehrsvideos – etwa von Dashcams, Verkehrskameras oder Drohnen – automatisiert und überführt sie in simulationsfähige, dreidimensionale Verkehrsszenarien. So lassen sich auch seltene Edge Cases systematisch in Testumgebungen integrieren.
Geschäftsmodell und Praxisbeweis
DeepScenario vertreibt die AI Scenario Engine als B2B-Softwareplattform an Automobilhersteller und Zulieferer. Die Bereitstellung erfolgt als Cloud- oder On-Premise-Lösung. Abgerechnet wird über Lizenz- beziehungsweise Subskriptionsmodelle, ergänzt um nutzungsabhängige Komponenten, etwa auf Basis der generierten Szenarien oder der eingesetzten Rechenleistung.
Zu den Anwendern zählten im vergangenen Jahr unter anderem Bosch und Mercedes-Benz. Sie nutzten die Technologie, um autonome Fahrfunktionen unter realitätsnahen Bedingungen zu validieren und Testabdeckungen systematisch zu erweitern.
Der industrielle Mehrwert liegt dabei weniger in der reinen Szenariogenerierung als in der Skalierbarkeit: Reale Verkehrsdaten aus Testfahrzeugen, Infrastrukturkameras oder Förderprojekten werden automatisiert in simulationsfähige 3D-Modelle überführt und stehen unmittelbar für virtuelle Testläufe zur Verfügung. Feldtests lassen sich dadurch gezielt ergänzen, ohne jedes Szenario physisch reproduzieren zu müssen.
Kernfunktionen der AI Scenario Engine
Monokulare Computer Vision: Das System erkennt und verfolgt Fahrzeuge, Fußgänger und weitere Verkehrsteilnehmer in Videodaten einzelner Kameras. Aus zweidimensionalen Bildsequenzen werden Bewegungsbahnen und Objektbeziehungen rekonstruiert.
- Szenario-Mining: Verkehrsabläufe – etwa Brems-, Abbiege- oder Überholmanöver – werden aus Videodaten extrahiert und in einem räumlich-zeitlichen Modell abgebildet. Dadurch entstehen statistisch repräsentative Testszenarien auf Basis realer Verkehrsbeobachtungen.
- Generative Verkehrsmodelle: Ein lernbasiertes Modell bildet regionale Fahrmuster ab und erzeugt daraus neue, simulationsfähige Verkehrssituationen. Ziel ist es, reale Datenverteilungen systematisch zu erweitern, ohne sich ausschließlich auf synthetische Annahmen zu stützen.
„Was die AI Scenario Engine von anderen Lösungen unterscheidet, ist unser Prozess des Szenario-Minings“, erklärt Holger Banzhaf, CEO und Mitgründer von DeepScenario in einem Interview mit Munich Startup.
Dabei nutzen wir unsere bahnbrechenden Bildverarbeitungsalgorithmen, um Zugang zu repräsentativen Verteilungen der realen Welt zu erhalten und das in allen drei räumlichen Dimensionen und der Zeitdimension.
Einordnung und Mehrwert
Der praktische Nutzen liegt vor allem in der Skalierung realitätsnaher Tests: Virtuelle Szenarien können in großer Zahl generiert und systematisch variiert werden. Dadurch lassen sich Entwicklungszyklen verkürzen und der Aufwand für physische Testfahrten reduzieren.
Ob sich daraus signifikante Kostenvorteile oder Sicherheitsgewinne ergeben, hängt von der Integrationstiefe in bestehende Testarchitekturen sowie von regulatorischen Anerkennungsprozessen ab.
Im Wettbewerbsumfeld positioniert sich DeepScenario gegenüber Anbietern wie Cognata und Parallel Domain mit dem Anspruch, reale Videodaten unmittelbar in simulationsfähige 3D-Szenarien zu überführen. Der Kern des Ansatzes adressiert damit einen strukturellen Zielkonflikt der Branche: Wie lassen sich Tests zugleich skalieren und realitätsnah gestalten?
Skalierung: Markt, Kapital und Anwendungsbereiche
Im Oktober 2022 schloss DeepScenario eine Finanzierungsrunde mit dem High-Tech Gründerfonds (HTGF) und MobilityFund sowie mehreren Business Angels ab. Die genaue Summe wurde nicht öffentlich beziffert. Das Kapital dient dem Ausbau der Plattform, der Internationalisierung sowie der weiteren Integration in industrielle Testumgebungen.
Strategisch liegt der Schwerpunkt weiterhin auf der Automobilindustrie – einem Markt, in dem Validierungskapazitäten mit zunehmender Automatisierung zum Engpassfaktor werden. Parallel prüft das Unternehmen Anwendungsfelder in Smart-City-Infrastrukturen und im Verkehrsmanagement, wo die Analyse realer Verkehrsdaten ebenfalls eine Rolle spielt.
Mit steigender Komplexität autonomer Fahrfunktionen wächst der regulatorische und wirtschaftliche Druck, Testabdeckung zu erhöhen und gleichzeitig Entwicklungszyklen zu verkürzen. Für Anbieter wie DeepScenario entscheidet sich die Skalierung daher nicht nur an technologischer Leistungsfähigkeit, sondern an Integrationsfähigkeit, Standardisierung und industrieller Anschlussfähigkeit.
DeepScenario: Zwischen Innovationsanspruch und industrieller Bewährungsprobe
DeepScenario adressiert einen strukturellen Engpass in der Entwicklung autonomer Systeme: die Skalierung realitätsnaher Testszenarien unter wirtschaftlichen und regulatorischen Rahmenbedingungen. Der Ansatz, reale Verkehrsdaten systematisch in simulationsfähige 3D-Modelle zu überführen, setzt genau an dem Zielkonflikt zwischen Testabdeckung und Aufwand an.
Mit Investoren wie HTGF und MobilityFund sowie ersten industriellen Anwendern positioniert sich das Start-up als spezialisierter Anbieter im Bereich datengetriebener Szenariogenerierung.
Entscheidend wird sein, in welchem Maß sich die Technologie in bestehende Testarchitekturen integrieren lässt und regulatorische Anforderungen erfüllt. Gelingt das, kann die AI Scenario Engine zu einem relevanten Baustein in der Validierung autonomer Fahrfunktionen werden.
Auch interessant:
