Genau wie Menschen sich gegenseitig etwas beibringen können, sollen vernetzte Fahrzeuge voneinander lernen und etwa Informationen über Straßenzustände austauschen. Deep Learning, das stetige Dazulernen mit sehr großen Datenmengen, ist der Schlüssel dazu.
agsandrew / Fotolia
Glaubt man den Aussagen vieler Forscher soll die künstliche Intelligenz (KI) bald unseren Alltag revolutionieren. Anwendungen sind heute schon Programme für Sprach- oder Bilderkennung, wie sie im virtuellen persönlichen Assistenten Siri von Apple oder in den Suchalgorithmen von Google und Google Street View stecken. In einer Studie der Stanford University sind Wissenschaftler den Zukunftsaussichten der künstlichen Intelligenz nachgegangen. In acht Domänen des Alltags prognostizieren sie der künstlichen Intelligenz eine herausragende Stellung: unter anderem in den Bereichen Verkehrswesen, Haushalt und Dienstleistung, Gesundheitswesen, Bildung, öffentliche Sicherheit und Arbeitswelt.
Eine der vielleicht bedeutendsten Anwendungen im Alltag steht bald vor der Serienreife: selbstfahrende Autos. Denn automatisierte Fahrzeuge sind auf künstliche Intelligenz angewiesen, um sich im Straßenverkehr zu orientieren. Die Fahrzeuge müssen, um sich auf der Straße zurechtzufinden, auf Grundlage von Bild- und Sensordaten Muster erkennen, intelligente Entscheidungen auf Basis von KI-Algorithmen treffen sowie unterschiedlichste Daten – wie etwa Kartendaten – verarbeiten.
Deep Learning sorgt für Durchbrüche bei der künstlichen Intelligenz
Alle großen Technologie-Unternehmen und wichtigen Akteure in Silicon Valley verfügen mittlerweile über KI-Abteilungen. Auch die Autobauer Toyota und Volkswagen bauen derzeit ihre Kompetenzen bei der künstlichen Intelligenz aus. Die wichtigste Technologie hinter diesem KI-Aufschwung ist "Deep Learning". Deep Learning ist eine Weiterentwicklung der seit den 1950er Jahren bekannten Anwendung der neuronalen Netze und bezeichnet Lernprozesse mit mehrschichtigen neuronalen Netzen. Diese Rechenverfahren orientieren sich grob an der Arbeitsweise des Gehirns, indem sie dessen Architektur simulieren – bestehend aus simulierten Neuronen und ihren Verbindungen, die durch die "Erfahrungen" des Netzwerks verstärkt oder abgeschwächt werden.
"Gemeint ist dabei, dass ein schrittweise 'tiefer' gehendes Verständnis eines Sachverhalts (zum Beispiel Bild) entsteht, nachdem zunächst nur einzelne Bausteine, dann Cluster und schließlich das Ganze erkannt werden", erklärt Springer-Autor Klaus Mainzer im Kapitel Neuronale Netze simulieren Gehirne aus dem Buch Künstliche Intelligenz – Wann übernehmen die Maschinen? Deep Learning, so formulierte es Nvidia-Mitbegründer und CEO Jen-Hsun Huang in seiner Keynote auf der GPU Technology Conference (GTC) 2016 in Amsterdam, habe die Fähigkeit, künstlicher Intelligenz einen enormen Schub zu verleihen. Ausschlaggebend ist hierfür die Möglichkeit des hochparallelisierten Trainierens von tiefen neuronalen Netzten mittels leistungsstarker Grafikprozessoren (GPUs).
Die technischen Grundlagen für die modernen neuronalen Netze wurden schon in den 1980er Jahren gelegt, aber erst jetzt machen leistungsfähige Computer die Simulation von Netzwerken mit vielen "verborgenen Schichten" möglich. Dazu kommt, dass die riesigen Datenmengen, die Unternehmen wie Google gesammelt haben, diese Netzwerke an Millionen von Beispielen trainieren können. Damit lässt sich beispielweise ihre Fähigkeit, Gegenstände oder Menschen auf digitalen Bildern zu klassifizieren, verbessern.
Komplexe Verkehrsszenen richtig interpretieren
Und Deep-Learning-Netzwerke sind mittlerweile extrem gut darin, Bildinhalte zu erfassen. Diese Fortschritte sind für das automatisierte Fahren sehr wichtig. Für Nvidia CEO Jen-Hsun Huang ist es undenkbar, dass das Sicherheitsniveau und die Leistungsfähigkeit selbstfahrender Autos mit herkömmlichen Ansätzen zur Objekterkennung erreicht werden. Denn Fahrzeuge müssen in Zukunft nicht nur Verkehrszeichen fehlerfrei erkennen, sondern auch Fußgänger, Fahrradfahrer oder Bäume. Derzeit arbeiten Autohersteller daher auch an einer automatischen Szenenanalyse, um komplexe Verkehrsszenen richtig zu interpretieren.
Auf sogenannten 'tiefen' neuronalen Netzen ('deep learning') basierende Verfahren der Mustererkennung erscheinen aktuell als der erfolgversprechendste Weg, um komplexe Verkehrsszenen richtig zu interpretieren, das heißt unter anderem das Verhalten anderer Verkehrsteilnehmer zu erkennen und vorherzusehen", schreibt Wolfgang Bernhart im Kapitel Automatisiertes Fahren – Evolution statt Revolution aus der ATZextra 7-2015.
Dabei sei denkbar, entsprechende Systeme in umgerüsteten Serienfahrzeugen "mitlaufen" zu lassen, neue, unbekannte Szenen online im Backend weiter zu verarbeiten und das so weiterentwickelte neuronale Netz "over-the-air" in den Fahrzeugen zu aktualisieren, erklärt Bernhart weiter.
Doch auf dem Weg zum autonomen Fahren sind noch einige Hürden zu nehmen, etwa extreme Wetterbedingungen, unterschiedliches Fahrverhalten in verschiedenen Kulturkreisen oder eben auch eine verlässliche Ampelerkennung. Gelöst werden können diese Aufgaben durch noch intelligentere Fahrzeuge: Fahrzeuge, die lernen können und sich dadurch noch schneller und stetig verbessern. Die Hardware dazu ist vorhanden: Kameras und Radarsensoren sind die "Augen" des Autos. Die Frage ist nur, wie aus den Daten, die diese Sensoren sammeln, "denkende" Maschinen werden.
Maschinelles Lernen für noch intelligentere Fahrzeuge
Damit Fahrzeuge so schlau werden, dass sie ihre eigenen Lösungen für komplexe Verkehrssituationen parat haben, ist maschinelles Lernen beziehungsweise künstliche Intelligenz der Schlüssel. Genau wie Menschen interpretieren Deep-Learning-Computer etwa ein Bild nicht Pixel für Pixel, sondern ganzheitlich. "Auf dieser Basis müssen Fahrzeuge nicht auf jedes Detail hin trainiert werden, sondern können etwa typische Konzepte von Straßenszenen in einer bestimmten Stadt deuten und auf eine andere Stadt übertragen", erklärt Daimler in seinem Nachhaltigkeitsbericht 2015. Zukünftig sollen Mercedes-Benz-Fahrzeuge "Machine Learning" anwenden, um ihr gesamtes Umfeld noch präziser zu interpretieren. "Sie werden sogar lernen, die Intentionen von Menschen vorherzusagen, indem sie deren Verhalten, Bewegungen, Gesten und Körperhaltung analysieren. Genau wie Menschen voneinander lernen können, werden solche vernetzten Fahrzeuge voneinander lernen und etwa Informationen über Straßenzustände austauschen", heißt es in dem Bericht weiter.
Daimler unternimmt bereits Schritte in diese Richtung. So ist zum Beispiel die neue E-Klasse mit Car-to-X-Technik ausgestattet und kommuniziert mit anderen Fahrzeugen und der Infrastruktur, wie auch im Artikel Assistenzsysteme in neuer Dimension aus dem ATZextra Die neue E-Klasse von Mercedes-Benz beschrieben ist. Und auch Daimler Trucks investiert rund eine halbe Milliarde Euro in die vollständige Vernetzung der Lkw.
"Künstliche Intelligenz und Deep Machine Learning werden die Disziplinen der Zukunft", bringt es Elmar Frickenstein, BMW-Bereichsleiter für vollautomatisiertes Fahren und Fahrerassistenz, im Interview "Das automatisierte Fahren wird die Automobilindustrie revolutionieren" aus der ATZelektronik 3-2016 auf den Punkt und ergänzt: "Erst sie versetzen uns in die Lage die technischen Herausforderungen des autonomen Fahrens adäquat zu beantworten."