Autonomes Fahren im Test
Kilometer schrubben 4.0
Autonome Fahrzeuge müssen die richtigen Entscheidungen in beliebigen Fahrsituationen treffen. Um dies zu gewährleisten, sind mit Methoden des maschinellen Lernens trainierte Deep Neural Networks erforderlich. Neue Guided-Simulation-Testverfahren im Fokus.
Die zentralen Zukunftsthemen in der Automobilindustrie sind Mobilitätsdienstleistungen, alternative Antriebe und das autonome Fahren. Die technischen Voraussetzungen für selbstfahrende Autos, bei denen KI-Algorithmen die unterschiedlichsten Verkehrssituationen beherrschen, sind schon weitgehend vorhanden. Die allgemeine Akzeptanz für autonome Fahrzeuge hängt aber entscheidend von der Zuverlässigkeit und Sicherheit der Machine-Learning (ML)- und Deep-Neural-Network (DNN)-Algorithmen ab, die das Auto steuern. Die zentrale Vorgabe – auch vom Bundesministerium für Verkehr – lautet: Autonomes Fahren muss die Sicherheit erhöhen. Die Kriterien dafür sind zum Beispiel die Unfallzahlen und die Zahl der Verkehrs-toten im Straßenverkehr.
Um eine höchstmögliche Sicherheit beim autonomen Fahren zu realisieren, müssten Autohersteller und Zulieferer Millionen von Fahrkilometern in Praxistests absolvieren. Unter zeitlichen und ökonomischen Aspekten ist eine solche Vorgehensweise aber nicht realistisch. Die Automobilbranche sucht daher nach neuen Verfahren. Sie müssen in der Lage sein, erstens die Daten aus den Testumgebungen zu nutzen, und zweitens intelligente, selbstlernende Systeme parametrierbar zu testen.
Die passende Simulationsumgebung definieren
Eine zentrale Aufgabe lautet folglich, statistisch den Nachweis zu erbringen, dass autonomes Fahren besser ist als der Mensch am Steuer. Die Nutzung einer Simulations- und Testumgebung ist hier unerlässlich. Im Rahmen einer hochkomplexen Testumgebung stünde dabei der Aufbau einer End-to-End-Testumgebung im Mittelpunkt, welche umfangreiche Simulationstechnik beinhaltet. Nur so lässt sich die zukünftig geforderte Absicherung der Fahrzeuge umfassend unterstützen.
Zentraler Bestandteil jeder Simulations- und Real-Life-Testumgebung sollte ein umfangreicher Testkatalog für das autonome Fahren sein. Seit einiger Zeit bauen Fahrzeughersteller und Automobilzulieferer riesige Sensor-Datenbanken im dreistelligen Petabyte-Bereich auf, aus denen KI-Algorithmen in einer Simulationsumgebung Testdaten extrahieren und automatisierte Tests durchführen können. Auch die Erkenntnisse der Automobilhersteller aus Fahrten auf Teststrecken und die dabei ermittelten Daten sollten in eine Simulations- und Real-Life-Testumgebung einfließen. Der entscheidende Vorteil einer solchen Vorgehensweise: In der Simulation kann eine größere Menge und Diversität an Szenarien geprüft werden. Wichtig ist das insbesondere mit Blick auf sogenannte Grenzfälle (Corner Cases), von denen bekannt ist, dass ein autonomes Fahrzeug damit seine Probleme hat oder die einfach zu gefährlich sind, um in der Realität getestet zu werden.
| Mobilität 4.0 |
|---|
In Anlehnung an den Begriff „Industrie 4.0“ entstand der Marketing-Kunstbegriff „Mobilität 4.0“. Er umfasst zum einen eine stärkere Nutzung und Integration von IT in Verkehrs- und Logistikprozessen und zum anderen eine stärkere Vernetzung der unterschiedlichen Verkehrsträger untereinander. Derzeit spielt vor allem das autonome Fahren eine große Rolle innerhalb des Bereichs der Mobilität 4.0. Selbstfahrende U-Bahnen wie in Nürnberg oder Paris sind längst keine Seltenheit mehr. Aber auch mobile Angebote in öffentlichen Verkehrsmitteln wie Apps, WLAN oder fahrkartenloses Fahren fallen darunter.(DK) |
- Kilometer schrubben 4.0
- Altbewährte Testansätze greifen zu kurz
Lesen Sie mehr zum Thema
