KI und automatisiertes Fahren
Wie weit reichen die Kompetenzen des automatisierten Fahrzeugs in Bezug auf Verkehrssicherheit? Autonome Fahrzeuge können nur dann für einen sicheren Straßenverkehr sorgen, wenn die Bürgerinnen und Bürger die Grenzen der Künstlichen Intelligenz kennen und berücksichtigen. Von der Seite der Fahrzeuge ist die Weiterentwicklung des „natürlichen“ vorausschauenden Fahrverhaltens der Computer daher eine der zentralen Herausforderungen, um Sicherheit im Verkehr zu gewährleisten.
Dr. Ilja Radusch erforscht, welchen Beitrag das automatisierte Fahrzeug und die Digitalisierung der Straßeninfrastruktur für mehr Sicherheit, Komfort und Nachhaltigkeit im Verkehr leisten können.
Er ist Leiter des Geschäftsbereichs Smart Mobility am Fraunhofer-Instituts FOKUS und leitet das Daimler Center for Automotive Information Technology Innovations (DCAITI) an der TU Berlin. Er arbeitet im Bereich Fahrzeug-zu-X Kommunikation, Feldtests, Sensor- und Ad-hoc Netzwerken und Mobile Services.
Seit dem 12. Mai 2017 sind Mensch und Computer bei der Kontrolle von Fahrzeugen im deutschen Straßenverkehr gesetzlich gleichgestellt. Die Entwicklung eines serienreifen autonomen Fahrzeugs ist zwar noch nicht abgeschlossen, doch die Automatisierung schreitet kontinuierlich voran, und Computer unterstützen Autofahrerinnen und -fahrer bereits in vielerlei Hinsicht, zum Beispiel mit einem Staupilot oder Einparkhilfen. Künstliche Intelligenz (KI) ist für das automatisierte Fahren vor allem in drei Bereichen von großer Bedeutung: Erstens für die Wahrnehmung der unmittelbaren Umgebung durch das Fahrzeug, zweitens um ein „natürliches“ vorausschauendes Fahren auch für Maschinen zu ermöglichen und drittens um notwendige Basisdaten wie beispielsweise hochauflösende Straßenkarten stets aktuell zu halten.
Beim Fahren eines hochautomatisierten Fahrzeugs auf der Straße sammeln Kameras unterstützt von weiteren Sensoren Informationen aus der Umgebung. Diese müssen in Echtzeit analysiert werden und verlässliche Ergebnisse liefern, um beispielsweise Fußgänger und andere Hindernisse auf der Straße zu erkennen. Mit neuen Methoden der KI, insbesondere der Deep Neural Networks, lernt der Computer anhand einer riesigen Datenmenge wie z. B. ein Mensch oder ein Baum aussieht. Durch die vielen Beispieldaten kann er sich verschiedene Verkehrssituationen aneignen und diese nach Abschluss der Lernphase im Fahrzeug selbstständig anwenden. Der Trick ist dabei, dass die einzelnen Beispiele nicht auswendig gelernt werden, sondern dass die Algorithmen Muster und Gesetze in den Lerndaten erkennen und Personen auch dann als solche identifizieren, wenn diese im Winter dicke Mäntel tragen. In den Beispieldaten müssen die einzelnen Objekte wie Fahrbahn, Fahrzeug, Baum für die KI annotiert, also markiert sein. Mit dem Labeling Werkzeug FLLT.AI von Fraunhofer FOKUS werden diese Lerndaten automatisch annotiert. Die Vorteile: Die Software kann die Bilddaten von Kameras und Punktwolken von Laserscannern vorlabeln, so dass Objektklassen wie Fahrbahn, Fahrzeug, Fußgänger unterteilt und einzelne Elemente der Objekte voneinander getrennt werden. Expertinnen und Experten müssen das maschinelle Labeling nur noch in einem gewöhnlichen Webbrowser sichten und kontrollieren. Sie benötigen dadurch verglichen mit menschlicher Annotierung weniger als 10 Prozent der Zeit, um hochqualitative Lerndaten zu generieren.
Die Vorteile: Die Software kann die Bilddaten von Kameras und Punktwolken von Laserscannern vorlabeln, so dass Objektklassen wie Fahrbahn, Fahrzeug, Fußgänger unterteilt und einzelne Elemente der Objekte voneinander getrennt werden. Expertinnen und Experten müssen das maschinelle Labeling nur noch in einem gewöhnlichen Webbrowser sichten und kontrollieren. Sie benötigen dadurch verglichen mit menschlicher Annotierung weniger als 10 Prozent der Zeit, um hochqualitative Lerndaten zu generieren.
Ähnliches passiert, wenn dem Computer das vorausschauende Fahren – die Intuition – beigebracht wird. Nicht Bilder, sondern Fahrsituationen sind hier die Grundlage der Lernphase. Auch hier gilt je größer und genauer die Menge an Trainingsdaten ist, desto intelligenter wird der Computer. Besonders signifikant sind Daten über potenzielle Gefahrensituationen – hierfür können synthetische Daten, z. B. in Simulationen erzeugt werden. Trotz der technischen Weiterentwicklung im Bereich der Künstlichen Intelligenz hat der Mensch im Verkehr gegenüber dem Computer immer noch einen großen Vorsprung. Auch in fremden Umgebungen, wie beispielsweise im Ausland finden wir uns relativ schnell zurecht. Fehlen dem Computer hier die hochgenauen Karten, ist seine Funktionsfähigkeit deutlich eingeschränkt. Diese hochgenauen Karten müssen immer auf dem neuesten Stand sein. Die statistischen Methoden der künstlichen IntelligenzKI helfen dabei, Änderungen sowohl intern im Fahrzeug als auch summiert über viele Fahrzeuge zuverlässig zu erkennen − z. B. ob ein Verkehrsschild nur eingeschneit ist oder abgebaut wurde.
Die hier veröffentlichten Inhalte und Meinungen der Autorinnen und Autoren entsprechen nicht notwendigerweise der Meinung des Wissenschaftsjahres 2019 – Künstliche Intelligenz.
