AutoCruise

(Bild: Nvidia)

Die Evolution des automatisierten Fahrens verlangt nach immer mehr Intelligenz in den elektronischen Steuerungssystemen. Um das Auto zu befähigen, selbsttätig den Weg durch das Verkehrsgewühl zu steuern, Wegweiser zu lesen, Verkehrszeichen korrekt zu interpretieren und die darin enthaltenen Anweisungen in Handlungen umzusetzen, andere Verkehrsteilnehmer zu erkennen und ihre Absichten zutreffend zu deuten, setzen Autohersteller von A wie Audi bis V wie Volvo mittlerweile auf Methoden der künstlichen Intelligenz (KI).

Damit, so KI-Protagonisten wie Mobileye oder Nvidia, kommen die Entwickler schneller zum Ziel des sicheren, hochautomatisierten Fahrens als mit herkömmlicher Technik. Denn während in konventioneller Informatik der Programmierer alle Eventualitäten des Fahrens algorithmisch ausformulieren muss (und daran wohl scheitern würde), erwirbt ein KI-bestücktes Fahrzeug seine Fähigkeiten im Prinzip dadurch, dass es lernt. Der maschinelle Lernvorgang findet während der Entwicklungsphase der Elektronik statt, am Ende der Produktion erhält das Fahrzeug dann das Lernergebnis gewissermaßen eingepflanzt. Und damit ist noch längst nicht Schluss: Es ist daran gedacht, dass das Fahrzeug auch nach seinem Start ins fahrerische Leben weiter lernt und seine Erfahrungen über die Cloud seinen Art-genossen zur Verfügung stellt, ebenso wie es selbst per Cloud vom Wissensschatz anderer Fahrzeuge profitieren kann.

„Seine Erfahrungen kann es über eine Cloud-Plattform mit anderen Fahrzeugen teilen, so dass theoretisch alle angeschlossenen Autos über den gleichen Kenntnis- und Erfahrungsschatz verfügen“, erläutert Danny Shapiro, Automotive Director von Nvidia. Auf seiner Entwicklerkonferenz in Amsterdam zeigte der Grafikkartenhersteller – auf dessen Hardware viele selbstlernende KI-Anwendungen laufen – anhand eines Modellversuchs, wie man sich das vorzustellen hat: In einem entsprechend bestückten Auto zeichnete eine Kamera zunächst alle Fahraktivitäten auf. Indem sie dem Fahrer über viele tausend Meilen hinweg über die Schulter schaute, „lernte“ die Elektronik nach und nach, welche Verkehrskonstellationen zu welchen fahrerischen Entscheidungen führten. Daraus konnte sie Regeln für das eigene Fahren ableiten. Zum Beispiel kapierte das Auto, dass man nicht über die kleinen rot-weiß gestreiften Hütchen hinwegfahren darf, die üblicherweise an Baustellen aufgestellt sind. Je nachdem, in welchem Stadium des Lernfortschritts man die Elektronik dann irgendwann selbst ans Steuer ließ, lenkte sie das Auto mehr oder weniger gekonnt durch den Verkehr.

Experten sind sich einig, dass KI-Verfahren wie maschinelles Lernen für viele Einsatzmöglichkeiten im Auto nicht nur geeignet, sondern sogar unentbehrlich sind. Die Anwendungsmöglichkeiten reichen von der Spracherkennung als Element der Mensch-Maschine-Kommunikation über maschinelles Sehen, Objekterkennung und Sensor-Fusion bis hin zum Ermitteln der richtigen Fahrstrategie in einem dynamischen Verkehrsumfeld, erläutert Juergen Reiner, Partner und Automobilexperte der Strategieberatung Oliver Wyman. „Im Grunde ist automatisiertes Fahren eine Ausprägung der KI.“ Aber warum wird KI gerade jetzt und gerade für die Automatisierung des Fahrens derartig gehypt? Schließlich ist künstliche Intelligenz beileibe kein neues Konzept, sondern blickt auf eine lange Geschichte zurück. Bereits in den neunziger Jahren wurde KI in der Informatikforschung diskutiert, um danach allerdings mangels brauchbarer Plattformen und Entwicklungsumgebungen zunächst wieder in der Versenkung zu verschwinden.

Das änderte sich in den letzten Jahren: Mit der Verfügbarkeit von Grafikprozessoren, die mit einer hohen Anzahl parallel arbeitender Recheneinheiten ausgestattet sind, nahm die Entwicklung von Trainingsumgebungen und Datensammlungen für das Training der Systeme einen schnellen Aufschwung. 2012 kam ein Forscher der Universität Toronto, Alex Krizhevsky, auf die Idee, Deep Neural Networks, eines der wichtigsten Konzepte des maschinellen Lernens, auf Grafikprozessoren zu implementieren. Sein Ansatz erzielte deutlich bessere Ergebnisse als konventionelle Methoden; viele Beobachter sehen daher die Entwicklung des „AlexNet“ als Geburtsstunde moderner KI-Implementierungen auf Grafikprozessoren an. Von da an nahm die Entwicklung einen dynamischen Verlauf.

In jüngster Zeit konnten Fahrzeughersteller wie Audi, BMW oder Ford mit solchen selbstlernenden Systemen große Fortschritte erzielen. Laut Nvidia gelang es beispielsweise Audi, die Leistung eines KI-basierten Bilderkennungssystem innerhalb von wenigen Stunden durch Training so stark zu steigern, dass es bessere Ergebnisse erzielte als ein hochentwickeltes, aber konventionell programmiertes Kamerasystem mit integrierter Bilderkennung. Auf dem Weg zum automatisierten Fahren führt deswegen kein Weg an der KI vorbei, schätzen Marktbeobachter. Eine wichtige Voraussetzung dabei ist die Bereitstellung preiswerter KI-Plattformen für den Einsatz in dem Fahrzeug.

Einer Studie von Frost & Sullivan zufolge ist ab 2018 mit der Verwendung von künstlicher Intelligenz auf der Automatisierungsstufe zwei zu rechnen; KI-Systeme werden dann beispielsweise zur Erkennung von Verkehrsampeln, Fußgängern und anderen Objekten eingesetzt werden. In einer nächsten Entwicklungsstufe werden die Systeme dann in der Lage sein, dreidimensionale Modelle der Fahrspuren mit zentimetergenauen Details zu erzeugen – die Autos wissen dann, wie tief die Schlaglöcher auf ihrem Weg sind und wie hoch die Bordsteinkante neben der Straße ist. Ab 2025 geht es dann laut Frost & Sullivan darum, die Stufe vier des automatisierten Fahrens zu erklimmen und damit Autos selbstständig von A nach B fahren zu lassen.

Die wachsende Bedeutung dieser Technik spiegelt sich auch in den Markterwartungen. Bis 2022 sollen 42 Millionen Autos mit den leistungsfähigen Rechnern bestückt sein, die für die- se Form der IT benötigt wird, prognostiziert Frost & Sullivan. Als wichtigste Anbieter nennt der Marktbeobachter Nvidia, Qualcomm, Mobileye und Intel. Im Zeitraum bis 2025 wer- den die Autohersteller mehr als sieben Milliarden Dollar in die Entwicklung von KI-Anwendungen investieren, allen voran Hyundai, Toyota und Volkswagen, die zusammen mehr als die Hälfte dieser Investitionen tragen werden. All das führt zu neu- en Allianzen – die strategische Kooperation von BMW mit Intel und Mobileye dürfte der erste Vorbote einer Welle derartiger Zusammenschlüsse sein. Allerdings gibt es auch Hürden und Unsicherheiten. So ist es noch keineswegs klar, wie die sicher- heitstechnische Validierung von Fahrzeugen nach erfolgtem Lernvorgang ablaufen könnte, warnt die Frost-&-Sullivan- Studie. Der Grund dafür: Das maschinelle Lernen verändert das Verhalten des Fahrzeugs, das deterministische, exakt vor- hersehbare Verhalten eines Systems unter Testbedingungen ist dann nicht mehr gewährleistet.

Dieser Artikel erschien erstmals in der carIT 04/2016

Sie möchten gerne weiterlesen?