« | »

Autonome Fahrzeuge lernen übers ganze Leben

In der höchsten Stufe der Entwicklung müssen autonome Fahrzeuge gewaltige Datenmengen verarbeiten. Gefragt ist daher Maschinelles Lernen in allen Lebenszyklen. Derzeit stellt der Nachweis der Sicherheit für das Gelernte noch eine Herausforderung dar.

Wenn eine Künstliche Intelligenz (KI) das Steuer im Fahrzeug übernimmt, wird das die Mobilität der Gesellschaft in Freizeit, Beruf und Wirtschaft mindestens so nachhaltig verändern wie das vor über 100 Jahren der Fall war, als das Automobil den Pferdewagen in Rente geschickt hatte. Dass egoistische Interessen in Zukunft die Richtschnur für das Verhalten im Verkehr bilden könnten, ist in einem autonomen Verkehrssystem nicht denkbar. Stattdessen wird der Verkehr ein kooperatives System sein, in dem sich die Fahrzeuge miteinander abstimmen.

Automobilindustrie, Universitäten und IT-Unternehmen sind mit Hochdruck dabei, der KI die dazu nötigen Fertigkeiten beizubringen. Die Fahrzeuge von morgen müssen also gewissermaßen die Schulbank drücken. Die beiden Wissenschafter Walther Wachenfeld und Hermann Winner vom Fachgebiet Fahrzeugtechnik der Technischen Universität Darmstadt haben in einem Aufsatz mit dem Titel „Lernen autonome Fahrzeuge?“ eine lesenswerte Bestandsaufnahme der Forschung zu diesem Aspekt vorgenommen.

Ein autonomer Fahrroboter muss eine Situation wahrnehmen und verstehen, um auf dieser Basis eine Verhaltensentscheidung zu treffen und in die Praxis umzusetzen. Die aktuellen teilautonomen Fahrzeugsysteme besitzen zwar bereits beachtliche Fähigkeiten zur Fahrzeugführung, das Lernen und Entwickeln eigener Kompetenzen beherrscht diese Generation aber noch nicht. Das autonome Fahrzeug der Zukunft ist in dieser Hinsicht von einem anderen Kaliber. Schließlich gibt’s in einem autonomen System auch keine Korrekturmöglichkeit mehr für bereits ausgeführtes Handeln. Ein Fehler würde daher fast zwangsläufig zu einem Schaden für Personen und Umwelt führen. Die Künstliche Intelligenz im Fahrzeug muss daher so gut funktionieren, dass ihr die Verantwortung für die Sicherheit von Insassen und anderen Verkehrsteilnehmern übertragen werden kann.

Ein Lernauftrag für eine Maschine setzt auf einer technologischen Ebene ihre Fähigkeit voraus, große Datenmengen zu verarbeiten. Das so genannte Maschinelle Lernen ist im Prinzip ein Algorithmus, der durch einen Menschen erzeugt wird. Es entscheiden also Ingenieure und Programmierer, ob das Gelernte den Anforderungen an ein autonomes System genügt.

Höchste Priorität haben dabei Sicherheit und Datenschutz. Ein Lehrplan für die Künstliche Intelligenz darf sich natürlich nicht auf Disziplinen wie Verkehrserziehung, Verkehrsrecht, Psychologie und Kommunikation beschränken. Gefragt sind jede Menge hochwertiger, repräsentativer und reeller Daten über den Verkehr in allen möglichen Ausprägungen. Dabei liegt daher auf der Hand, dass das Wissen, mit dem eine KI künftig das Kommando übernimmt, längst nicht über alle Lebenszyklen eines Fahrzeugs ausreicht. Tatsächlich sind autonome Systeme auf lebenslanges Lernen angewiesen. Das beginnt bei der Forschung und Entwicklung, reicht über Betrieb und Service bis hin zu Besitzerwechsel und Stilllegung.

Die Lebenszyklen eines Fahrzeugs stellen unterschiedliche Herausforderungen an das Maschinelle Lernen. In der Forschungsphase etwa sind repräsentative Daten für den späteren Einsatzbereich gefragt, während in der Entwicklungsphase gezielt praxisrelevante Anwendungsdaten gesammelt werden. Spannend wird die Datensammlung in der Betriebsphase. Hier fallen Daten über den realen Einsatz des autonomen Fahrzeugs an: über die statische Umwelt, andere Verkehrsteilnehmer und ihr Verhalten sowie über die Insassen. Zusätzlich besitzt das Fahrzeug Daten über sein eigenes maschinelles Verhalten.

Ein typischer Lernansatz für autonome Systeme könnte in Zukunft das kollektive Lernen sein. Die Fahrzeuge tauschen dann im Betrieb Daten direkt miteinander aus. Auf diese Weise würden sich Fahrzeuge im Straßenverkehr bewegen, die fast alle mit gleichem Wissen und weitgehend mit gleichen Fertigkeiten aufwarten. Allerdings dürfte die Bandbreite der Datenübertragung bei den Begegnungen der Fahrzeuge begrenzt sein. Es würden daher nicht die Rohdaten der Sensoren, sondern in erster Linie bereits verarbeitete Daten übermittelt werden. Findet dieser Datentausch bei Fahrzeugen einer Marke statt, könnte die Integrität der Daten gesichert sein. Ansonsten stellt sich die Frage der Vertrauenswürdigkeit der Daten.

Auch der Service fürs autonome Fahrzeug könnte einen Ansatzpunkt für zusätzliche Lernschritte bieten. Die dazu nötigen Daten ließen sich im Rahmen einer Inspektion herunterladen und damit die Funktionen des Fahrzeugs aktualisieren. Generell gilt jedoch für die Datensammlung in der Betriebsphase eines autonomen Fahrzeugs, dass damit Informationen ins Spiel kommen, die ihm vorher nicht zur Verfügung standen. Forschung und Entwicklung stellt das vor große Herausforderungen.

Ein Problem betrifft das Testen und Absichern der Daten, die im Betrieb des Fahrzeugs verändert wurden. Dabei stellt sich jederzeit die Gretchenfrage, ob die aktualisierte Fahrzeugführung den hohen Anforderungen an die Sicherheit entspricht. An diesem Punkt stoßen die aktuellen Verfahren jedoch noch an ihre Grenzen. Dafür gibt’s mehrere Gründe. Die meisten Ansätze, so heißt es in dem Aufsatz der beiden Wissenschaftler, basieren auf Vereinfachungen, die Aspekte wie Fahrdynamik, Wetterbedingungen und Sensorunsicherheiten außen vor lassen. Diese Probleme lassen sich jedoch sicher lösen.

Text: Joachim Geiger // Bild: ams/ETMC-Archiv

Autor
admin

Kommentar hinzufügen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind markiert *