Trainingsdaten Aus den Daten seltener Verkehrssituationen lernen
Anbieter zum Thema
Mithilfe von Künstlicher Intelligenz sollen sich künftig Fahrzeuge selbstständig fortbewegen. Die dazu notwendigen Lerndaten erhalten die Entwickler aus der Praxis. Problematisch sind allerdings Grenz- und Sonderfälle.

Autos, Busse und Lkw können sich mithilfe der Künstlichen Intelligenz in Testumgebungen weitestgehend eigenständig fortbewegen. Außerdem soll automatisiertes Fahren die Sicherheit im Straßenverkehr erhöhen, Staus verhindern und dabei den Ausstoß von schädlichen Emissionen reduzieren.
Dabei helfen sollen KI-Systeme, die mit einer repräsentativen Menge an Daten darauf trainiert werden, selbstständig im Straßenverkehr zu agieren. Das kann beispielsweise an einer roten Ampel sein. Obwohl in den letzten zwanzig Jahren mehrere Milliarden Euro in Forschung und Entwicklung von selbstlernenden KI-Systemen geflossen sind, so sind auf den Straßen kaum automatisierte Fahrzeuge unterwegs.
Zu wenige Daten zum Trainieren
Ein wichtiger Grund: Ein Mangel an verfügbaren Daten erlaubt es nicht, die intelligenten Fahrzeuge ausreichend für ein sicheres Verhalten in unwahrscheinlichen Situationen zu trainieren. Es passiert beispielsweise, dass ein automatisiertes Auto eine Ampel bei schlechtem Wetter aus einem ganz ungewöhnlichen Blickwinkel nicht erkennt.
Die sogenannten Grenz- und Übergangsfälle (Corner Cases) sind so selten, dass sie in den von Fahrzeugsensoren gesammelten Trainingsdaten aus Millionen Straßenkilometern kaum vorkommen und somit auch nicht von den KI-Systemen erlernt werden können.
Gemeinsame Datenplattform für Ausnahmefälle
Im Whitepaper „Potenziale für industrieübergreifendes Flottenlernen – KI-Mobilitätsdatenplattform zur Risikominimierung des automatisierten Fahrens“ schlagen die Autoren eine gemeinschaftliche Datenplattform zu Ausnahmefällen vor. Auf dieser Plattform können Fahrzeughersteller und Zulieferer ihre Mobilitätsdaten austauschen und die Beispiele von Corner Cases sammeln.
„Die KI-Plattform ermöglicht Fahrzeugherstellern und Zulieferern, die Sicherheit ihrer KI-Systeme in solchen Sonderfällen zu testen und zu verbessern“, sagt Mitautor Christoph Peylo, Leiter des Bosch Center for Artificial Intelligence (BCAI) und Leiter der Arbeitsgruppe „Mobilität, intelligente Verkehrssysteme“ der Plattform Lernende Systeme.
Standards und Normen versprechen Erfolg
Als eine wesentliche Erfolgsbedingung für den Datenaustausch auf der Mobilitätsplattform nennen die Autoren Standards und Normen. Neben standardisierten Datenformaten, Schnittstellen und Protokollen müsse der Plattformbetreiber eindeutige Richtlinien für den Zugang und die Handhabung der Daten definieren, die auch rechtliche und ethische Aspekte berücksichtigen.
„Die KI-Datenplattform bietet die Chance, das Vertrauen in das automatisierte Fahren zu stärken. Sie unterstützt das herstellerübergreifende Lernen von Fahrzeugflotten und macht die Systeme dadurch besser und sicherer. Die Plattform sollte auch für Zulassungen sicherer KI-Systeme genutzt werden. Dazu muss sie von neutraler und allseits akzeptierter Kompetenz betrieben werden“, sagt Tobias Hesse, Abteilungsleiter Kooperative Systeme am Deutschen Zentrum für Luft- und Raumfahrt und ebenfalls Leiter der Arbeitsgruppe „Mobilität, intelligente Verkehrssysteme“ der Plattform Lernende Systeme.
Seltene Daten stehen KI-Entwicklern bereit
Die Daten zu den seltenen Sonderfällen sollten auf der KI-Plattform Akteuren entlang der gesamten Wertschöpfungskette zur Verfügung stehen, so die Empfehlung des Whitepapers. KI-Modelle könnten hochgeladen werden, und das Verhalten der KI-Systeme hinsichtlich dieser Szenarien überprüft werden.
Im Anschluss könnten die Fahrzeughersteller ihre Modelle aktualisieren und wiederum in ihren Flotten verteilen. Denkbar ist auch, ein Nachtraining der KI-Systeme direkt auf der Plattform durchzuführen und zertifizierte Updates über die Plattform zu verteilen. Die Plattform ermögliche damit den Austausch sowohl zwischen Akteuren, die ihre Modelle testen und verbessern möchten, etwa Fahrzeughersteller, als auch zwischen Akteuren, die über Corner-Case-Szenarien oder Trainingsdaten verfügen, mit denen Modelle robuster gestaltet werden können.
Empfohlen wird eine sich finanziell selbsttragende Plattform. Um Daten auf die Plattform hochladen und Modelle testen zu können, sollten die Akteure einen geringfügigen finanziellen Beitrag leisten. Der wiederum käme den Akteuren zugute, welche die Modelle in ihrer Robustheit verbessern.
Dieser Artikel stammt von unserem Partnerportal Industry of Things.
(ID:47158691)