Selbstfahrende Autos mit Continental | Nvidia Supercomputer

Auf Stunden statt Wochen soll sich die die Entwicklungszeit für selbstfahrende Autos verkürzen. Um das zu erreichen, bauen Continental und Nvidia auf dem DGX KI-System basierend ein Hochleistungs-Computercluster auf. Virtuelle Datenerzeugung, Künstliche Intelligenz und Simulation von autonomen Fahrzeugen sind die künftigen Kernaufgaben des leistungsfähigsten Supercomputers der Automobilindustrie.

Inhalt des Fachartikels

• 14 fache Steigerung gleichzeitig laufender Experimente
• Selbstfahrende Autos entwickeln mit skalierbarem Supercomputer 
  • Deep Learning erweitert Grenzen traditioneller Software
  • Neuronale Netze in Stunden statt Wochen trainieren
  • Daten selbstfahrender Autos
• Der durch den Menschen gesteuerten Methode überlegen

Dazu hat Continental in einen eigenen Nvidia Infiniband verbundenen DGX Supercomputer investiert. Das für künstliche Intelligenz (KI) ausgerichtete Highend-System wird seit Anfang 2020 in einem Rechenzentrum in Frankfurt am Main betrieben und stellt Entwicklern global Rechenleistung und Speicherplatz bereit. Die Künstliche Intelligenz beschleunigt nicht nur die Entwicklung selbstfahrender Autos sondern verbessert zudem Fahrerassistenzsysteme und macht die Mobilität intelligenter.

14 fache Steigerung gleichzeitig laufender Experimente

„Der Supercomputer ist eine Investition in unsere Zukunft”, sagt Christian Schumacher, Leiter Program Management Systems in der Geschäftseinheit Fahrerassistenzsysteme bei Continental. „Das hochmoderne System reduziert die Zeit für das Training neuronaler Netze, da mindestens 14-mal mehr Experimente gleichzeitig durchgeführt werden können.” Mit dem DGX-Cluster für das autonome Fahrzeug sind Simulation, Deep Learning und das Erzeugen virtueller Daten viel schneller umsetzbar.

Autosar jetzt voll ausschöpfen mit E/E Entwicklungsumgebung

„Bei der Suche nach einem Partner achten wir auf zwei Dinge: Qualität und Schnelligkeit”, so Christian Schumacher. „Das Projekt wurde mit einem ehrgeizigen Zeitplan aufgestellt und innerhalb von weniger als einem Jahr realisiert. Nach intensiven Tests und der Suche nach geeigneten Unternehmen haben wir uns für Nvidia entschieden, die viele der schnellsten Supercomputer der Welt ausrüsten.”

„Nvidia DGX-Systeme bieten Innovatoren wie Continental KI-Supercomputing in einer kosteneffizienten, unternehmensweiten Lösung, die einfach zu implementieren ist”, so Manuvir Das, Leiter des Bereichs Enterprise Computing bei Nvidia. „Durch den Einsatz des mit Infiniband-verbundenen DGX POD für das Training von autonomen Fahrzeugen entwickelt Continental die intelligentesten Fahrzeuge von morgen sowie die IT-Infrastruktur, die für deren Konzeption verwendet wird.”

Eine der größten Herausforderungen auf dem Weg zur autonomen Mobilität ist das Beherrschen komplexer Fahr Situationen.

Selbstfahrende Autos mit skalierbarem Supercomputer entwickeln

Der Supercomputer besteht aus mehr als 50 DGX-Systemen, die mit dem Mellanox Infiniband Netzwerk verbunden sind. Das Highend-System nimmt laut der aktuellen Liste der TOP500-Supercomputer weltweit den Spitzenplatz in der Automobilindustrie ein.

Um auch künftig auf die benötigte Kapazität und Speicherplatz durch Cloud-Lösungen reagieren zu können, haben die Entwickler einen hybriden Ansatz gewählt. „Der Supercomputer ist ein Meisterwerk der IT-Infrastrukturtechnik”, sagt Christian Schumacher. „Jedes Detail wurde vom Team genau geplant – um heute die volle Leistung und Funktionalität zu gewährleisten, mit Skalierbarkeit für zukünftige Erweiterungen.”

Deep Learning erweitert Grenzen traditioneller Software

Auf Basis künstlicher Intelligenz treffen fortschrittliche Fahrerassistenzsysteme Entscheidungen und unterstützen Fahrer, um schließlich ohne Unfälle auf den Straßen autonom zu fahren. Sensoren für das Umfeld wie Kamera und Radar liefern die Rohdaten. Diese Sensoren verarbeiten intelligente Systeme in Echtzeit, erstellen darauf basierend ein umfassendes Modell der Fahrzeugumgebung im Straßenverkehr und entwickeln eine Strategie zur Interaktion mit der Umgebung.

Weil die Systeme aber immer komplexer werden, stoßen traditionellen Methoden des maschinellen Lernens und der Softwareentwicklung an ihre Grenzen. Das ruft Deep Learning und Simulation auf den Plan. Beide Technologien haben sich zu den Basismethoden für die Entwicklung KI basierter Lösungen gemausert.

Neuronale Netze in Stunden statt Wochen trainieren

Deep Learning bedeutet, dass ein künstliches, neuronales Netz der Maschine in der Lage ist, Erfahrungen zu verarbeiten, darauf aufbauend zu lernen und das neue Wissen mit bereits vorhandenem Wissen zu verbinden. So wird der Lernprozess des menschlichen Gehirns nachgebildet.

Allerdings erkennt beispielweise ein Kind ein Auto bereits, nachdem ihm Mama oder Papa ein paar Dutzend Bilder verschiedener Autos gezeigt haben. Deep Learning hingegen erfordert mehrere tausend Stunden Training mit Millionen von Bildern. Dazu muss der Rechner enorme Datenmengen verarbeiten, um ein neuronales Netz zu trainieren. Nur so kann es später einem Fahrer assistieren oder sogar ein Fahrzeug autonom steuern.

Der DGX POD verkürzt den Zeitaufwand für diesen komplexen Prozess. „Wir gehen davon aus, dass sich die Zeit, die für das vollständige Training eines neuronalen Netzes benötigt wird, von Wochen auf Stunden verkürzen wird”, sagt Balázs Lóránd. Der Leiter des KI-Kompetenzzentrum von Continental in Budapest, Ungarn arbeitet zusammen mit seinen Teams an der Entwicklung der Infrastruktur für KI-basierte Innovationen.

Embedded Mikrocontroller für automatisiertes Fahren zertifiziert

„Unser Entwicklungsteam ist in den letzten Jahren zahlenmäßig gewachsen und hat an Erfahrung gewonnen. Mit dem Supercomputer sind wir jetzt in der Lage, die Rechenleistung noch besser nach unseren Bedürfnissen zu skalieren und das volle Potenzial unserer Entwickler auszuschöpfen”, beschreibt Balázs Lóránd den Entwicklungsstand.

Daten für selbstfahrende Autos

Die Daten für das Training dieser neuronalen Netze stammen bis dato Großteils aus der Flotte von Conti Versuchsfahrzeugen. Diese fahren täglich rund 15.000 Testkilometer und sammeln dabei rund 100 Terabyte an Daten. Heute nutzt man bereits diese Daten für das Training neuer Systeme, indem man sie abspielt und so physikalische Testfahrten simuliert. Mit dem Supercomputer lassen sich solche Daten jetzt synthetisch erzeugen. Mit dieser äußerst rechenintensiven Anwendung können Systeme durch virtuelles Durchfahren einer simulierten Umgebung lernen.

Spezielle Schnittstelle liefert Power, Data + Signal ins Auto

Mehrere Vorteile im Entwicklungsprozess sind so denkbar:

1. Simulationen können auf lange Sicht die Aufzeichnung, Speicherung und Auswertung physischen generierter Daten ersetzen, weil Trainingsszenarien sofort auf dem System selbst erstellt werden.
2. Die Geschwindigkeit wird dabei erhöht, weil virtuelle selbstfahrenden Autor in wenigen Stunden die gleiche Anzahl von Testkilometern zurücklegen, für die ein reales autonomes Fahrzeug mehrere Wochen benötigt.
3. Synthetische generierte Daten ermöglichen die Verarbeitung und Reaktion von Systemen auf sich verändernde und unvorhersehbare Situationen. Selbstfahrende Autos lassen sich so sicher durch wechselnde und extreme Wetterbedingungen navigieren. Sichere Prognosen über die Bewegung von Fußgängern können erstellt werden. Damit wird der Automatisierungsgrad erhöht.

Der durch den Menschen gesteuerten Methode überlegen

Einer der Hauptgründe für die Auswahl und Konzeption des DGX POD war seine Skalierbarkeit. So können Maschinen schneller, besser und umfassender lernen als durch jegliche menschlich gesteuerte Methode. Dabei wächst die potentielle Leistung mit jedem Evolutionsschritt exponentiell.

Der Standort des Supercomputers in einem Frankfurter Rechenzentrum wurde aufgrund seiner Nähe zu Cloud-Anbietern und seiner KI-fähigen Umgebung gewählt. Künstliche Intelligenz erfordert spezielle Kühlsysteme, Konnektivität und Stromversorgung. Betrieben wird der Supercomputer mit zertifiziertem grünem Strom. GPU-Cluster (GPU = Graphics Processing Unit) sind hier designseitig viel energieeffizienter sind als Cluster auf Basis zentraler Verarbeitungseinheiten (CPU = Central Processing Unit).