KI darf nicht ans Steuer

Mit Hilfe von Künstlicher Intelligenz (KI) soll das autonome Fahren schneller Realität werden. Doch sind diese selbstlernenden Algorithmen ein Allheilmittel auf dem Weg dorthin?

"Aus unserer Sicht muss man KI sehr differenziert betrachten. Es ist eine sehr interessante Technologie, die in bestimmten Bereichen klare Vorteile gegenüber klassischen Ansätzen bietet. Aber es ist noch nicht die Technologie, die wir überall einsetzen können und die uns alle Software-Probleme löst", erklärt Elektrobit-Manager Martin Schleicher.

Was sie heute schon zu leisten vermag erläutert Christian Müller, Leiter des Autonomous-Driving-Teams beim Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) in Saarbrücken: "Heute kann die KI eine Wahrnehmung von der Umgebung liefern, die bei Weitem leistungsfähiger ist als das, was mit gängigen Signal- und Bildverarbeitungsverfahren von Ingenieuren entwickelt werden kann."

Wenn es beispielsweise darum gehe, "in einem urbanen Szenario aus einer Fusion von verschiedenen Sensoren ein Kind von einem Werbeplakat zu unterscheiden oder einen Fahrradfahrer von einem Briefkasten, lässt sich das nicht regelbasiert programmieren". Dabei hängt die Qualität der KI auch immer von der Güte der Trainingsdaten ab.

In einzelnen Bereichen hat sich KI allerdings bereits etabliert. Vorteile bringt die Technologie beispielsweise bei der Bild- und Objekterkennung. Die Erkennungsraten liegen hier heute schon höher als bei klassischen regelbasierten Ansätzen. Schleicher verweist darauf, dass die Qualität der KI dabei auch immer von der Qualität der Trainingsdaten abhängt.

KI hält der Elektrobit-Manager überall dort für einsetzbar, wo es Big-Data-Analytics gibt. Also dann, wenn viele Daten vorhanden sind und auf aufgrund von wenigen Vergleichsdaten Muster erkannt werden sollen. Anwendungsgebiete im Fahrzeug könnten auch Fälle sein, in denen die KI mitlernt und beispielsweise das Benutzerverhalten adaptiert. Etwa bei der Bedienung von Infotainmentsystemen oder bei der Vorhersage von Fahrrouten.

"Wenn Sie also am Montagmorgen um acht Uhr ins Auto einsteigen, weiß das Assistenzsystem, dass sie wahrscheinlich ins Büro fahren wollen und macht ihnen Vorschläge für die Fahrroute", nennt Schleicher ein Beispiel.

Problematisch sieht Schleicher hingegen den Einsatz von KI beim sogenannten End-to-End-Learning für automatisiertes Fahren. Beispielsweise wenn die KI mit Sensordaten gefüttert wird und am Ende die gelernte KI die Fahrstrategien vorgeben und das Steuern des Fahrzeugs übernehmen soll. "Das sehen wir heute nicht und das wird auch generell schwierig bleiben."

Auch Müller hält eine End-to-End-Lösung nicht für möglich, "bei dem vom Sensor bis zum Aktuator ein einziges neuronales Netz ein Fahrzeug steuert."

Denn ein großes Problem besteht darin, den Nachweis der funktionalen Sicherheit von KI zu führen. Zwar sei es technisch möglich, ein zweites System redundant danebenzulegen, welches das erste System überwacht, "aber finanziell macht das keinen Sinn", winkt Schleicher ab.

Zudem lasse sich nur eingeschränkt beweisen, was ein neuronales Netz gelernt hat. Er verweist auf Beispiele, bei denen Bilder leicht modifiziert wurden und die KI dann Dinge erkennt, die für den Menschen nicht nachvollziehbar sind. "Vielleicht finden wir irgendwann Lösungen dafür, aber momentan nicht."

Denn im Grunde genommen gelten für die KI die gleichen Regularien wie auch sonst für Technologien in Fahrzeugen, bevor sie zugelassen werden können. Wenn beispielsweise eine Kamera KI für die Objekterkennung nutzt, gibt es noch andere redundante Systeme zur Absicherung. "Aber autonomes Fahren ausschließlich mit Hilfe von KI zu realisieren, da wäre ich vorsichtig", bilanziert Schleicher.

Für Müller gehören zu einem autonomen Fahrzeug drei wesentliche Elemente. Solbstlokalisierung, Umgebungswahrnehmung und Trajektorenplanung. Der Wissenschaftler geht davon aus, dass die Umgebungswahrnehmung beim autonomen Fahrzeug die meisten KI-Anteile enthalten wird. So wie bei der Bildinterpretation aus Kamera- oder Radardaten. Bei der Selblokalisierung wird kaum KI benötigt. Scheiden würden sich die Geister hingegen bei der Trajektorenplanung. Dabei wird bestimmt, wie das Auto fährt. Dazu gehören Themen wie Spurwechsel, Beschleunigung und Bremsen. "Also die Aspekte, die das eigentliche Fahren ausmachen", so Müller.

Derzeit setze sich laut Müller in der Branche die Ansicht durch, dass sich die KI weiterentwickeln wird und es zu einer Fusion mit anderen Verfahren kommt. Der Wissenschaftler ist davon überzeugt, dass die Entscheidungen der KI künftig transparenter und robuster werden. Trotzdem müsse auch weiter an Themen wieHomologisierung und Zertifizierung gearbeitet werden. "Das Ziel ist eine Zulassung zu bekommen für Fahrfunktionen, die aus Daten heraus gelernt werden."

Aber vielleicht muss die Automobilindustrie auch radikal umschwenken und sich von gewohnten Denkmustern lösen. "Im Automobilbau gibt es eine starke Modularisierung, redundante Komponenten die für eine funktionale Sicherheit sorgen und die Zuliefererketten", stellt Müller fest.

Eine Referenzarchitektur für ein autonomes Fahrzeug mit Deep Learning würde jedoch wahrscheinlich ganz andere Module erfordern als das heute der Fall ist. "Und es stellt sich die Frage, wie weit die Industrie bereit ist, ihre etablierte Modularisierung aufzubrechen. Denn das würde letztlich bedeuten, die bestehenden Zuliefererbeziehungen in Frage zu stellen."

Lesen Sie auch:

Nio-Designer Shirdel: Wie künstliche Intelligenz das Auto verändert

Krafcik, Huang, Shashua, Scheider und de Vos geben Antworten: Ist Level 5 autonomes Fahren unmöglich?

Nächste Partnerschaft mit Grafikkartenhersteller: Mercedes will mit Nvidia Fahrzeuge mit KI ausrüsten

Dazu im Datencenter:

Rahmenbedingungen für autonomes Fahren nach Märkten 2017