Machine Learning: Wie unsere Autos denken lernen

Das Auto der Zukunft ist intelligent – für den Fahrer bedeutet das mehr Sicherheit, Komfort und Effizienz.

Las Vegas, Januar 2017: Auf der CES (Consumer Electronics Show) fährt ein mattgrauer Audi Q7 um die Kurve eines kleinen abgesteckten Parcours. Das Besondere: Das SUV fährt und steuert von selbst – das Fahrzeug ist künstlich intelligent, eine Person auf dem Fahrersitz gibt es nicht. Der Q7 deep learning concept lernt aus zwei Quellen, dem vorangegangenen Fahrverhalten des Menschen und seiner Umwelt, die mit Kameras erfasst wird. So erarbeitet sich das Auto selbstständig valide Regeln für das Verhalten im Straßenverkehr. Die Technologie dahinter heißt Machine Learning – doch was genau bedeutet das?

Machine Learning: So werden unsere Autos künstlich intelligent und lösen komplexe Situationen

Machine Learning ist ein Teilgebiet der Künstlichen Intelligenz (KI) und eine Schlüsseltechnologie für das pilotierte Fahren: Das Auto muss vor allem im unübersichtlichen Stadtverkehr anspruchsvolle Situationen richtig einschätzen können und daraus Fahrmanöver ableiten. Torsten Schön, Data Scientist bei Audi Electronics Venture (AEV), erklärt: „Machine Learning ist reine Mathematik und Statistik“.

Um hochkomplexe Situationen zu lösen, werden Algorithmen programmiert, die aus Daten Informationen filtern und so die optimale Lösung finden. Eine Methodik dafür sind neuronale Netze, die dem menschlichen Gehirn sehr ähnlich sind und analog dazu über die Zeit automatisch dazulernen können.

„Noch leistungsfähiger und damit für hochkomplexe Aufgabenstellungen wie das autonome Fahren im Stadtverkehr geeignet, sind tiefe neuronale Netze – das sogenannte Deep Learning“, erklärt Torsten Schön. Die Technologie beschreibt im Allgemeinen die Problemlösung beziehungsweise den Lernvorgang in einem besonders tiefen neuronalen Netz. Der Entscheidungs- und Rückkoppelungsprozess verläuft hierbei über viele Ebenen. Solche tiefen Netze können grundsätzlich bei vielen Bereichen des Machine Learnings Anwendung finden.

Supervised und Reinforcement Learning: Die Technologien hinter dem Q7 und dem Q2 deep learning concept

Machine Learning lässt sich in verschiedene Teilbereiche untergliedern, dazu gehören das Supervised Learning und das Reinforcement Learning. Auf der CES 2017 setzte Audi beim Q7 Supervised Learning ein: Im Vorfeld wurde das System mit relevanten Daten gefüttert. Es hat gelernt, die wichtigen Merkmale von Strecke und Umgebung zu identifizieren und jeweils entsprechende notwendige Lenkbewegungen auszuführen. Mit jeder Trainingsfahrt lernte das System dazu, es wurde sozusagen bereits vorab trainiert. So konnten die Besucher auf dem speziell angelegten und veränderbaren Parcours pilotiertes Fahren erleben.

Machine Learning: Wie unsere Autos denken lernen

Supervised Learning: Der Audi Q7 deep learning concept wurde vorab trainiert und fährt selbstständig um die Kurven auf dem Parcours in Las Vegas.

Auf der Fachkonferenz NIPS (Neural Information Processing Systems) in Barcelona lernte ein Audi Q2-Modellauto mittels Deep Reinforcement Learning das Einparken. Das dort verwendete System lernt durch Ausprobieren. Deshalb ist eine Umgebung notwendig, die zurückmeldet, ob die Ausführung gut oder schlecht war. Durch mehrere Millionen Wiederholungen entwickelt der Algorithmus immer wieder selbstständig neue Strategien. Der Q2 lernte so eigenständig das Einparken.

Was können unsere Autos schon heute?

Die beschriebenen Projekte zeigen, was bereits heute mittels Machine Learning technologisch möglich ist – in diesen Fällen eine vollständig automatisierte Fahrt, auch als End-to-End Ansatz bezeichnet. Denkbar ist der Einsatz von Machine Learning-Methoden jedoch auch für einzelne Teilaufgaben. Für die spätere Serienentwicklung prüft Audi daher, welcher Ansatz und welche Methode für den jeweiligen Fall optimal geeignet sind.

Machine Learning: Wie unsere Autos denken lernen

Der Audi Q7 deep learning concept steht für die erfolgreiche Zusammenarbeit des Premiumherstellers mit NVIDIA.

Eines der aktuell wichtigsten Anwendungsgebiete des Machine Learning ist die Bilderkennung. Im Audi A4, A5, Q5 und Q7 ist diese bereits mit Supervised Learning umgesetzt. Hier kommt ein trainiertes System zur Anwendung, das heißt der Lernvorgang ist bereits abgeschlossen. Im neuen A8 wird die Bildverarbeitung dann erstmals auf Deep Learning basieren. Die Software hat selbständig gelernt, welche Merkmale für die Erkennung eines Objekts relevant sind. Diese Informationen stehen schließlich den Fahrerassistenz- und den pilotierten Systemen zur Verfügung.

Machine Learning ist eine entscheidende Zukunftstechnologie, insbesondere für das pilotierte Fahren. Deshalb baut Audi mit Partnerunternehmen wie NVIDIA und Mobileye wichtiges Knowhow auf. Das Ziel: Fahren noch sicherer und komfortabler machen.

Der Audi Q7 deep learning concept auf der CES 2017:

—————————————

Verbrauchsangaben Audi A4: Kraftstoffverbrauch kombiniert in l/100 km: 7,6 – 3,7; CO2-Emission kombiniert in g/km: 175 – 95; Audi A5: Kraftstoffverbrauch kombiniert in l/100 km: 7,8 – 4; CO2-Emission kombiniert in g/km: 177 – 105; Audi Q5: Kraftstoffverbrauch kombiniert in l/100 km: 8,5 – 4,5; CO2-Emission kombiniert in g/km: 195 – 117; Audi Q7: Kraftstoffverbrauch kombiniert in l/100 km: 7,6 – 5,5; CO2-Emission kombiniert in g/km: 199 – 144 // www.audi.de/DAT-Hinweis

Nach dem Absenden Ihres Kommentars wird dieser durch die Redaktion überprüft und freigegeben.

Wenn Sie zum ersten Mal im Blog kommentieren, müssen Sie einmalig Ihre Identität bestätigen. Dazu erhalten Sie eine E-Mail mit einem personalisierten Link, den Sie für die Verifizierung Ihrer Angaben bitte aufrufen. Ihre E-Mail-Adresse wird nicht veröffentlicht oder an Dritte weitergegeben.

Quelle: Audi Blog