Autonomes Fahren Kritische Verkehrssituationen vorhersagen

Automatisiert fahrende Autos können noch nicht alle kritischen Situationen meistern. Aber: Sie können davor warnen. Daran arbeiten die TU München und BMW.

Anbieter zum Thema

IPG Automotive GmbH

invenio AG

INFICON

Technische Universität München Corporate Comm. Center

BMW AG FIZ Forschungs- und Innovationszentrum

Sieben Sekunden. So weit kann das aktuelle Entwicklungsfahrzeug von BMW maximal in die Zukunft schauen. Mit „mehr als 85 Prozent Genauigkeit“, beschreiben die Forscher, warnt das System dann vor kritischen Situationen, die das Fahrzeug noch nicht alleine bewältigen kann. Möglich ist das mittels sogenannter künstlicher Intelligenz.

Konkret heißt das: Das System lernt aus vorausgegangenen Situationen, in denen selbstfahrende Testfahrzeuge im realen Straßenverkehr an ihre Systemgrenzen gestoßen sind. Systemgrenze heißt: Der Mensch hat wieder die Kontrolle über das Auto übernommen, entweder, weil das Auto ihn zum Eingreifen aufgefordert hat oder weil er sich selbst aus Sicherheitsgründen dazu entschieden hat.

Die Datenerfassung basiert auf der Technik, wie sie in Fahrerassistenzsystemen heute schon eingesetzt wird. Mittels Sensoren und Kameras erfasst das System die Umgebung und zeichnet den Zustand des Fahrzeugs auf. Dazu zählen zum Beispiel der Stand des Lenkrads, die Beschaffenheit der Straße, das Wetter, die Sicht und die Geschwindigkeit.

Kritische Situationen an Mustern erkennen

Die „künstliche Intelligenz“ lernt, in diesen Daten Muster zu erkennen. Besonders interessant sind die Muster, denen eine kritische Situation folgte, bei der das System an seine Grenzen kam. Findet sich so ein bekanntes Muster in einer neuen Fahrsituation wieder, warnt das System den Fahrer, dass eine potenziell kritische Situation bevorsteht. Das System basiert auf einem sogenannten rekurrenten neuronalen Netz (RNN).

Forschungsprojekt

Mehr Vertrauen ins autonome Fahren

Die Struktur dieser Netze ähnelt denen des menschlichen Gehirns. Technisch ausgedrückt bedeutet das: Neuronen derselben oder unterschiedlicher Schichten – etwa Eingabe- und Ausgabeschicht – sind miteinander verbunden. Diese Art Netze werden oft dafür benutzt, um in den Daten zeitlich kodierte Informationen zu finden.

Bislang nutzen Entwickler für das Bewerten von Verkehrssituationen häufig Modelle, mit denen die Fahrzeuge das Verhalten aller Teilnehmer im Straßenverkehr beurteilen können. Schwierig wird es, wenn diese Modelle für komplexe oder unvorhergesehene Situationen nicht ausreichen.

Das Team um Professor Eckehard Steinbach verfolgt deshalb einen anderen Ansatz. „Viele der bisherigen Methoden untersuchen, was die Autos bislang vom Verkehr verstehen, und verbessern dann die Modelle, nach denen sie sich richten. Wir ignorieren völlig die Meinung des Autos und schauen stattdessen rein auf die Daten des tatsächlichen Geschehens – und finden Muster“, beschreibt Steinbach, Inhaber des Lehrstuhls für Medientechnik und Mitglied des Board of Directors der Munich School of Robotics and Machine Intelligence (MSRM) der TUM.

Die gesamte Flotte lernt

Nochmal zurück zur Genauigkeit von 85 Prozent: Die Forscher haben dafür rund 2.500 Situationen aus dem öffentlichen Straßenverkehr ausgewertet, in denen ein menschlicher Fahrer im Entwicklungsfahrzeug eingreifen musste. Daten entstehen auch für das künftige Lernen genug: Immer wenn ein Entwicklungsfahrzeug auf der Straße unterwegs ist und es zu einer potenziell kritischen Situation kommt, hat das System ein neues Trainingsbeispiel. Damit jedes Fahrzeug in der Flotte davon lernen kann, sind die Daten zentral gespeichert.

(ID:47328713)