Ein Angebot von /

Die Rolle des Deep Learnings für die Fahrzeuggeneration von morgen

| Autor / Redakteur: Johannes Winterhagen / Benjamin Kirchbeck

Tiefe neuronale Netzwerke bestehen teilweise aus mehr als hundert dieser hintereinander geschalteten Programmebenen. Als lernende Netzwerke reagieren sie meist so lange auf korrigierendes Feedback von außen, bis sie eine Aufgabe optimal lösen können – beispielsweise in der Bilderkennung.
Tiefe neuronale Netzwerke bestehen teilweise aus mehr als hundert dieser hintereinander geschalteten Programmebenen. Als lernende Netzwerke reagieren sie meist so lange auf korrigierendes Feedback von außen, bis sie eine Aufgabe optimal lösen können – beispielsweise in der Bilderkennung. (Bild: Porsche)

Viele bisherige Systeme waren zwar durchaus künstlich, aber alles andere als intelligent. Seit gut sieben Jahren ändert sich das rasant: Mit tiefen neuronalen Netzwerken haben Entwickler mächtige Werkzeuge zur Hand. Doch wie funktioniert Deep Learning und wie lässt es sich für künftige Fahrzeuggenerationen nutzen? Ein Überblick am Beispiel Porsche.

Im Juli 1956 schien die Schöpfung des künstlichen Menschen unmittelbar bevorzustehen. Am renommierten Dartmouth College im US-Bundesstaat New Hampshire hatte eine Gruppe von Informatikern und Mathematikern zu einem kühnen Forschungsprojekt geladen – dem Dartmouth Summer Research Project on Artificial Intelligence. Sprechende Maschinen, menschlichen Gehirnen nachempfundene Netzwerke, sich selbst optimierende Computer und sogar maschinelle Kreativität schienen den Gründern in ihrer Euphorie ganz greifbar. Nach einem arbeitsamen Sommermonat hatten die zehn geladenen Utopisten zwar wenig vorzuweisen außer eng beschriebenem Papier und großen Ideen, doch die Wissenschaftler prägten damals den Begriff „Künstliche Intelligenz“ (KI), und schufen auch ein neues Fachgebiet, das fortan die Welt in Atem halten sollte.

Künstliche Intelligenz: knifflige Definition

Gut 60 Jahre später ist klar: Die sogenannte starke oder generelle, also die allumfassend den Menschen imitierende oder gar ersetzende Künstliche Intelligenz bleibt vorerst Utopie. Kein technisches System wird in absehbarer Zeit den sogenannten Turing-Test bestehen.

Bei den „schwachen“ KI-Systemen, an denen derzeit vorwiegend geforscht wird, ist der Turing-Test gar nicht der Maßstab. Solche Systeme sollen in gewissem Rahmen eigenständig Probleme bearbeiten oder Fragen beantworten. Die Algorithmen der schwachen KI schaffen es immer besser, konkrete Anwendungsprobleme zu meistern, den Beweis komplexer logischer und mathematischer Sätze etwa. Oder sie fungieren als Gegner bei Schach, Dame oder Go. Sie brillieren bei der Analyse großer Text- oder Datenmengen und stellen das Herzstück von Internetsuchmaschinen dar. Eingebettet in unzählige Smartphone-Apps begleitet uns Künstliche Intelligenz bereits auf Schritt und Tritt in unseren Hosentaschen – meist sind wir Nutzer uns dessen kaum bewusst. Wer mit „ Alexa“ oder „Siri“ spricht, dessen Sätze werden von KI-Algorithmen analysiert. Schon John McCarthy, Gründervater der Dartmouth Conference, bemerkte trocken über dieses Schicksal von KI-Anwendungen: „Sobald es funktioniert, nennt es niemand mehr Künstliche Intelligenz.“

Vernetzt wie ein Gehirn

Schon in den frühen Fünfzigerjahren kamen die ersten künstlichen neuronalen Netze auf. Sie sind zentral für den Erfolg der Künstlichen Intelligenz. Einzelne Rechenoperationen sind in einem solchen Netz nicht als ein starres, binäres Computersystem angelegt, in dem es nur zwei Möglichkeiten gibt: 1 oder 0, An oder Aus. Vielmehr sind sie biologischen Nervensystemen nachempfunden. Diese basieren auf dem Prinzip der Schwellenwerte und kennen etliche Größen zwischen 1 und 0; scheinbar endlos viele Nervenzellen sind dort dynamisch verwoben durch wachsende, veränderliche Verknüpfungen. Das menschliche Gehirn lernt, indem diese Verknüpfungen laufend neu gewichtet werden. Häufig genutzte Pfade werden stärker ausgeprägt, seltene Verbindungen verkümmern. Künstliche neuronale Netze laufen zwar auf herkömmlichen Rechnern – sie funktionieren letzten Endes ebenfalls auf Grundlage der Einsen und Nullen –, doch innerhalb dieses Systems erinnern die Funktionsweise und die Schwellenlogik dieser komplexen Algorithmen an ihre biologischen Pendants.

Untereinander vernetzte künstliche Neuronen nehmen Eingabewerte auf und füttern in nachgeschalteten Ebenen angelegte Neuronen mit diesen Informationen. Am Ende dieser Kette liefert eine Ebene von Output-Neuronen einen Ergebniswert. Die variable Gewichtung der einzelnen Verbindungen verleiht dem Netzwerk eine bemerkenswerte Eigenschaft: die Lernfähigkeit. Heute weisen die Netze immer mehr dieser Ebenen auf; sie sind komplexer, weiter verschachtelt – sie sind tiefer. Tiefe neuronale Netzwerke bestehen teilweise aus mehr als hundert dieser hintereinander geschalteten Programmebenen. Als lernende Netzwerke reagieren sie meist so lange auf korrigierendes Feedback von außen, bis sie eine Aufgabe optimal lösen können – beispielsweise in der Bilderkennung.

Abertausende bekannter Fotos verschlingen sie dafür während des Trainings, das auch Deep Learning genannt wird, bis sie in der Lage sind, Aussagen über neue Bilder zu treffen, also eine Transferleistung zu erbringen: Eine Katze wird als Katze gesehen; ein Apfel als ein Apfel benannt, selbst wenn dieser halb von Blättern verdeckt ist, und es werden Straßenschilder, Rehe oder Personen erkannt. Eine hohe Treffsicherheit ermöglicht nicht nur, dass sich Roboter-Taxis an die Straßenverkehrsordnung halten, sondern sie unterstützt Ärzte mittlerweile auch bei der Tumorerkennung. Die Aufnahmen aus dem Computertomografen werden immer häufiger vollautomatisch mit medizinischen Bilddatenbanken abgeglichen.

Lange fristeten tiefe neuronale Netze ein Schattendasein in der KI-Forschung. Die chaotisch wachsenden Netzwerke konnten mit der Geschwindigkeit klassisch- deterministischer Algorithmen nicht mithalten. Doch in den Nullerjahren unseres Jahrtausends reichte die Rechenpower von Computern langsam aus, um das Potenzial der tiefen Netze voll auszuschöpfen. Lange war Geoffrey Hinton von der kanadischen University of Toronto für seinen selbstlernenden Ansatz belächelt worden, bis er im Jahr 2012 die ImageNet Challenge gewann, einen Wettbewerb, in dem KI-Systeme gegeneinander antreten, Hunderttausende von Bildern richtig zu interpretieren.

Vielfältige Anwendungen

Tiefe neuronale Netzwerke brillieren überall dort, wo es komplexe Muster zu erfassen gilt: Sie erkennen, interpretieren und übersetzen Sprache, sie analysieren Videosequenzen oder prognostizieren Aktienkursentwicklungen. Sie sind das Herzstück von Sprachassistenten, wie sie Amazon oder Apple einsetzen. Mit einem ausführlichen, aber doch gezielten Training lernen sie, Computerspiele zu spielen oder gar menschliche Großmeister im hochkomplexen Go-Spiel zu schlagen. In Kombination mit anderen Arten von Netzwerken oder mit der Robotik lassen sich die Fähigkeiten der tiefen Netze weit ausbauen:

Schon lange treten bei der alljährlich ausgetragenen Roboterweltmeisterschaft RoboCup künstliche Fußballspieler gegeneinander an. Sie reagieren auf Gegenspieler völlig autonom, interagieren mit Teamkollegen und schießen manchmal sogar ein Tor. Beim letztjährigen RoboCup im japanischen Nagoya konnten sich die intelligentesten Roboter nun auch in anderen Disziplinen ganz autonom miteinander messen: in der Logistik-Liga etwa oder in der Industrieroboter-Kategorie „RoboCup@Work“, in der „Rescue Robot League“ zur Rettung Verunglückter in Katastrophenszenarien oder als verdrahtete Diener im Wettbewerb „RoboCup@Home“.

Die Fortschritte auf dem Gebiet der Künstlichen Intelligenz ermöglichen es, in den nächsten Jahren tiefgreifende Veränderungen im Mobilitätssektor voranzutreiben. Denn der Straßenverkehr, erst recht in urbanen Ballungszentren, ist so komplex, dass klassische Algorithmen an ihre Grenzen stoßen, wenn hochautomatisierte oder gar autonome Fahrzeuge entwickelt werden sollen. Die Ursache erläutert Dr. Christian Koelen, Fachprojektleiter bei Porsche Engineering, so: „Wenn wir alle denkbaren Parametervariationen mit klassischen Algorithmen abdecken wollen, dann bräuchten wir sehr lange und es entstünden hohe Kosten für Programmierung und Tests.“

Um andere Verkehrsteilnehmer, Fußgänger zum Beispiel, im Rahmen der Objektklassifikation sicher zu erkennen, setzt Porsche Engineering daher auf die Methode des Deep Learning. „Tiefe neuronale Netze erzielen heutzutage sehr hohe Trefferquoten“, bestätigt Koelen.

Vielversprechende Praxistests

Künstliche Intelligenz hilft aber nicht nur bei der Umgebungserkennung während des automatisierten Fahrens. Auch Assistenzsysteme, etwa der Spurhalteassistent, können von Deep-Learning-Verfahren profitieren. Dass das funktioniert, hat Johann Haselberger von Porsche Engineering anhand einer Machbarkeitsstudie nachgewiesen. Keine triviale Aufgabe, schließlich greift ein solches Assistenzsystem während der Fahrt in die Lenkung ein.

Damit das neuronale Netz in Sekundenbruchteilen die richtige Entscheidung trifft, muss es zunächst trainiert werden. In einem Versuchsfahrzeug, das mit einem Hochleistungsrechner und zwei neuen Videosensoren ausgestattet war, unternahmen Profifahrer lange Fahrten im Stuttgarter Raum. Die Lenkbewegungen des menschlichen Fahrers wurden dabei laufend mit den Videoaufnahmen der vorausliegenden Straße korreliert. Etwa die Hälfte der Strecken führte über Autobahnen, die andere Hälfte mit dynamischer Fahrweise über Landstraßen.

Nach einigen Wochen folgte die Nagelprobe: Das neuronale Netz durfte erstmals selbst ans Steuer. „Sowohl in der Computersimulation, als auch bei der realen Erprobung auf der Straße funktionierte das auf Anhieb ziemlich gut“, so Haselberger. Doch es zeigte sich auch, dass es auf dem aktuellen Entwicklungsstand noch hier und da ein paar Schwachstellen gibt. Denn die Robustheit des auf dem neuronalen Netz basierenden Reglers hängt von der Menge der eingefahrenen Trainingsdaten ab und die Regelgüte wiederum stark von dem verwendeten Trainingsmaterial.

So können spezielle Situationen, die der Regler während des Trainings noch nicht „gesehen“ hat – wie zum Beispiel eine Baustelle mit Sondermarkierungen – in der Realität meist nur sehr schlecht bewältigt werden. Zu gefährlichen Situationen kann das allerdings nicht führen: der klassische Regler läuft im Hintergrund immer mit. Würden die neuronalen Netze unsinnige Werte berechnen, wären sie sofort überstimmt. Eine solche Kombination aus maschinellem Lernen und klassisch-deterministisch funktionierenden Algorithmen heißt „Hybridsystem“. Nach Ansicht vieler Experten gehört solchen Hybridsystemen die nähere Zukunft in der Automobilindustrie.

Die sich anschließenden Straßentests waren bei Redaktionsschluss noch nicht vollständig abgeschlossen, doch für Koelen ist bereits jetzt klar: „Die Technik hat großes Potenzial, den Fahrer noch besser zu unterstützen. Ein Serieneinsatz ist für uns Anfang des kommenden Jahrzehnts denkbar.“ Bis dahin ist noch einige Arbeit zu leisten, denn in einem Serienauto muss der Fahrer zum Beispiel darüber entscheiden können, ob er Kurven lieber sportlich-dynamisch oder zurückhaltend angehen will. Und das Assistenzsystem muss auch dann richtig reagieren, wenn der Fahrer mitten in der Kurve zwischen beiden Modi hin und herschaltet. Haselberger freut sich auf die vor ihm liegende Arbeit: „Wir verbinden eine klassische Porsche-Tugend – die Querdynamik – mit der Künstlichen Intelligenz, die für uns eine neue Kernkompetenz darstellt. Das ist sehr spannend.“ Wer wollte ihm da widersprechen?

„Autonomes Fahren und Porsche passen sehr wohl zusammen“

„Autonomes Fahren und Porsche passen sehr wohl zusammen“

01.12.17 - Der Sportwagen der Zukunft: Fährt er autonom? Hat er ein Lenkrad? Lutz Meschke, stellvertretender Vorstandsvorsitzender und Vorstand für Finanzen und IT, gibt Einblicke, wie sich Porsche die Zukunft vorstellt und wie das Unternehmen auch künftig profitabel bleiben will. lesen

Schnellladesäulen – Modulares Flexbox-System berücksichtigt drei entscheidende Kriterien

Schnellladesäulen – Modulares Flexbox-System berücksichtigt drei entscheidende Kriterien

20.09.18 - Schnellladen, egal ob im Parkhaus, am Supermarkt, auf einer Autobahnraststätte – für jeden Einsatzzweck hat Porsche Engineering nun eine Lösung entwickelt: ein modulares Flexbox-System, das die gegebene Eingangsspannung, die Besucherfrequenz und die Platzverhältnisse berücksichtigt. lesen

* Text erstmalig erschienen im Porsche Engineering Magazin

Kommentar zu diesem Artikel abgeben
Wie im Artikel beschrieben: Die Qualität der Assistenz hängt stark von Anzahl und Auswahl der...  lesen
posted am 05.11.2018 um 22:13 von Unregistriert


Mitdiskutieren
copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45579771 / Automotive Electronics Engineering)