Künstliche Intelligenz: Algorithmus als Chauffeur

min Lesezeit

Die künstliche Intelligenz (KI) setzt sich in immer mehr Bereichen des Alltags durch. Natürlich auch im Straßenverkehr. ZF arbeitet bereits an diesem Technologiesprung.

Andreas Neemann,

Andreas Neemann hat seinen ersten ZF-Magazintext im Jahr 2001 zum 6HP-Automatgetriebe geschrieben. Seither begleitet der Automotive-Autor mit Faible für komplexe Themen den Konzern in vielen Publikationen für interne wie externe Leser.

Seit der industriellen Revolution hat sich eine klare Aufgabenteilung zwischen Mensch und Maschine etabliert. Letztere punkten durch Kraft, Präzision und ihr enormes Arbeitspensum. Der Mensch zeichnete sich durch seine Fähigkeit zu logischem Denken und Intelligenz aus. Diese Zusammenarbeit zwischen Mensch und Maschine ändert sich nun: Künstliche Intelligenz lautet das Stichwort. Maschinen und Computer sind zunehmend mit kognitiven Fähigkeiten ausgestattet, so dass sie entsprechende Aufgaben genauso gut und oft besser lösen können als Menschen.

Deep Learning macht den Unterschied

Künstliche Intelligenz hat längst ihren Weg in unseren Alltag gefunden. Übersetzungsprogramme werden täglich milliardenfach genutzt. Sie basieren ebenso auf KI-Algorithmen wie Spamfilter oder Plagiat-Checker. Viele Berufszweige nutzen Big-Data-Analysen intelligenter Software: Ärzte tun es bei der Analyse von MRT- und Röntgenbildern, Juristen bei der Suche nach Präzedenzurteilen und Steuerberater bei der Organisation von Klientenprofilen.

Solche KI-Systeme können heute – im Unterschied zu gängiger Software Entscheidungen treffen oder Fragen beantworten, die thematisch nicht bereits in ihrem Code hinterlegt sind. Dieses Abstrahieren wird möglich durch Deep Learning. Dabei simulieren Algorithmen die Synapsen-Knoten des menschlichen Gehirns. Input durchläuft nacheinander mehrere Schichten, so genannte Layer. Die Anzahl der involvierten Knoten ist immens: Aktuelle KI-Systeme organisieren Milliarden künstlicher Neuronen in rund 30 Schichten. Erst in den letzten Jahren haben Prozessorleistung, Internet-Bandbreite und die via Cloud verfügbaren Daten das notwendige Niveau erreicht, um solche selbstlernenden Programme zu unterstützen.

Der Algorithmus lernt fahren

Deep-Learning-Algorithmen erlauben Rückkopplungs- und Korrekturschleifen. Diese Qualität ist entscheidend, wenn es um Anwendungen wie das autonome Fahren geht. Schließlich gibt es im Straßenverkehr unendlich viele Situationen, die sich nicht vorher einprogrammieren lassen – insbesondere wenn auch menschliche Fehler mit im Spiel sind. Schon bei der vergleichsweise simplen Einfahrt in einen Kreisverkehr kann es kompliziert werden: Ein anderes Auto, das sich bereits im Kreisverkehr befindet und den Blinker gesetzt hat, fährt einfach weiter. Erfahrene Autofahrer erkennen die brenzlige Situation instinktiv und vermeiden den Unfall.

Der wesentliche Unterschied gegenüber der traditionellen Software-Welt besteht darin, dass KI-Systeme Entscheidungen treffen oder Fragen beantworten können, die thematisch nicht bereits in ihrem Code hinterlegt sind.

Arnold Schlegel, Entwicklungsingenieur bei ZF und Experte für autonomes Fahren und KI

Und eine KI? Genau wie der Mensch kann sie aus Indizien Rückschlüsse ziehen: Geschwindigkeit des anderen Fahrzeugs, Stellung der Räder, Blickrichtung des Fahrers – sie alle zeigen eine Abweichung an zu den tausenden Fahrzeugen, die tatsächlich aus dem Kreisverkehr herausgefahren sind, als sie den Blinker gesetzt hatten. Fazit: Dieses eine Auto wird trotz eines gesetzten Blinkers nicht abbiegen. Während eine herkömmliche Software in den Kreisverkehr einbiegen und einen Zusammenstoß verursachen wurde, drückt die KI auf die Bremse. Sind die Algorithmen erst einmal gut genug „eingelernt“, erkennen sie solche Gefahren sogar präziser und zuverlässiger als der Mensch und reagieren schneller. Denn je nach Konzentration und Gemütslage ist auch der erfahrenste Autofahrer mal abgelenkt.

Ein wichtiger Aspekt für autonomes Fahren ist daher das Training von KI-Systemen. Damit geht auch die große Herausforderung der Validierung einher: Wie lässt sich ein System testen, das darauf ausgelegt ist, unerwartet auftretende Probleme zu lösen? Virtuelles Training und Software-in-the-Loop-Methoden werden dazu beitragen, diese Hürde bald zu bewältigen.

Computerprozessoren

Die Rechenleistung von Computerprozessoren hat stark zugenommen – eine Grundvoraussetzung für die komplexen und ressourcenhungrigen KI-Programme.

Cloud-Verfügbarkeit

Hohe mobile Bandbreiten machen immense Datenmengen über die Cloud verfügbar. Diese können KI-Systeme zum „Einlernen“ nutzen, beispielsweise bei der Bilderkennung.

Deep-Learning

Mittels Deep Learning arbeitet Software ähnlich wie das menschliche Gehirn, inklusive der Fähigkeit zu lernen, also das eigene Tun zu reflektieren und anzupassen.

Künstliche Intelligenz braucht Rechenpower

Um der KI in Zukunft das Steuer für das komplette Fahrzeug übergeben zu können, muss zusätzlich auch die Elektronik-Architektur im Auto passen. Alle Systeme müssen in einer zentralen Kontrolleinheit zusammengeführt werden. Das verlangt nach genügend Rechenleistung, um die Datenflut aus Kameras, Lidar-, Radar- und sonstigen Sensoren in Echtzeit auswerten zu können. Möglich wird das durch hochleistungsfähige Steuergeräte wie die von ZF entwickelte ZF ProAI. Deren neueste Generation bewältigt bis zu 1.000 Billionen Rechenoperationen pro Sekunde (so genannte TOPS – Trillion Operations per Second) und erfüllt dabei die strengen Sicherheitsauflagen für automobile Anwendungen. 2024 kommt diese neueste Version des Automotive-Supercomputers von ZF in Serie.

Damit stellt der Konzern wichtige Weichen für das autonome Fahren. So dürfte KI bald dazu beitragen, die Anzahl der Unfälle deutlich zu senken. Sind immer mehr autonome Fahrzeuge unterwegs, lassen diese sich zu einem intelligenten Verkehrsleitsystem vernetzen. Dann könnte KI sogar Staus verhindern.