Rekurrente neuronale Netze befähigen KI in Frühwarnsystem
- Details
- Zugriffe: 5720
In der TUM haben Forschende ein neues Frühwarnsystem für autonome Fahrzeuge entwickelt, das mit Künstlicher Intelligenz (KI) auf Basis rekurrenter neuronaler Netze aus Tausenden realen Verkehrssituationen lernt. Das System kann mit mehr als 85-prozentiger Genauigkeit bei heutigen selbstfahrenden Entwicklungsfahrzeugen bereits 7 s im Voraus vor einer potenziellen kritischen Situation warnen. Das können selbstfahrende Autos heute noch nicht allein meistern. Die Studie hat die TUM zusammen mit der BMW Group durchgeführt.
Inhalt des Forschungsberichts
- Neuer Ansatz Künstliche Intelligenz
- Rekurrente neuronale Netze zur Mustererkennung
- Warnung bis zu 7 s im Voraus und Datenerhebung
- Was sind rekurrente neuronale Netze?
Neuer Ansatz Künstliche Intelligenz
Damit selbstfahrende Autos sicher werden, setzen viele Entwickler auf ausgefeilte Modelle, mit denen die Autos das Verhalten aller Teilnehmenden im Straßenverkehr beurteilen können. Es gibt aber komplexe, unvorhergesehene Situationen, bei denen solche Modelle aktuell noch unzureichend sind.
6G Netz | Bidirektionale Richtfunkstrecke und Thz Empfänger
Einen neuen Ansatz verfolgt ein Team der Technischen Universität München (TUM) um Prof. Eckehard Steinbach, Inhaber des Lehrstuhls für Medientechnik und Mitglied des Board of Directors der Munich School of Robotics and Machine Intelligence (MSRM) an der TUM. Künstliche Intelligenz befähigt ihr System, aus vorausgegangenen Situationen, in denen autonome Testfahrzeuge im realen Straßenverkehr an ihre Systemgrenzen gestoßen sind, zu lernen. In solchen Situationen übernimmt der Mensch wieder die Kontrolle über das Fahrzeug, weil er sich aus Sicherheitsgründen dazu entschieden hat oder das Auto ihn zum Eingreifen aufgefordert hat.
Rekurrente neuronale Netze zur Mustererkennung
Die neue Technologie erfasst über Kameras und Sensoren die Umgebung und zeichnet den Fahrzeug- und Umgebungszustand auf. Das können der Stand des Lenkrads, die Straßenbeschaffenheit, das Wetter oder Geschwindigkeit und Sicht sein. Die auf rekurrente neuronale Netze (RNN) basierende KI lernt, Muster aus diesen Daten zu erkennen. Erkennt die Technologie ein Muster in einer neuen Fahrsituation wieder, welches in der Vergangenheit schon einmal unter diesen Umständen die automatisierte Steuerung überfordert hat, warnt es die Fahrenden Dank der KI frühzeitig vor der potenziell kritischen Situation.
Selbstfahrende Autos aus Sicht eines Automobilzulieferes
„Um Fahrzeuge autonomer zu machen, untersuchen viele der bisherigen Methoden, was die Autos bislang vom Verkehr verstehen und verbessern dann die Modelle, nach denen sich die Autos richten. Der große Vorteil unserer Technologie ist: Wir ignorieren völlig die Meinung des Autos und schauen stattdessen rein auf die Daten des tatsächlichen Geschehens und finden Muster“, sagt Prof. Steinbach. „Die KI entdeckt so auch potenziell kritische Situationen, die in Modellen vielleicht nicht oder noch nicht erkannt wurden. Unser System bietet damit eine Sicherheitsfunktion, die weiß, wann und wo die Autos Schwächen haben.“
Warnung bis zu 7 s im Voraus und Datenerhebung
Die Forscher haben die Technologie zusammen mit BMW und deren automatisiert fahrenden Entwicklungsfahrzeugen im öffentlichen Straßenverkehr getestet. Dabei wurden rund 2500 Situationen, in denen die Fahrenden eingreifen mussten, ausgewertet. Die Studie ergab eine 85 % genaue Vorhersage potenziell kritischer Situationen bis zu 7 s vor deren Eintreffen.
Selbstfahrende Autos mit Continental | Nvidia Supercomputer
Damit die Technologie funktioniert, braucht es eine große Datenmenge. Denn KI kann nur dann Erfahrungen mit der Systemgrenze erkennen und vorhersagen, die bereits gemacht wurden. Angesichts der hohen Zahl an Entwicklungsfahrzeugen würden dabei Daten quasi von allein erzeugt. Studienautor Christopher Kuhn sagt: „Jedes Mal, wenn es bei Testfahrten zu einer potenziell kritischen Situation kommt, fällt ein neues Trainingsbeispiel für uns ab.“ Die zentrale Speicherung der Daten mache es möglich, dass jedes Fahrzeug aus den Aufzeichnungen der ganzen Flotte lernen kann.
Technisches Allgemeinwissen
Was sind rekurrente neuronale Netze?
Rekurrente neuronale Netze (RNN) sind neuronale Netze, bei denen Neuronen einer gleichen Schicht oder Neuronen unterschiedlicher Schichten eine Rückkopplung geben. RNN sind der Neuronenverschaltung des menschlichen Gehirns ähnlicher als die Feedforwad Netze. Dank der Rückkopplung können zeitlich codierte Informationen in den Daten gewonnen werden. Beispiele für rekurrente neuronale Netze sind das Jordan-Netz, das Elman-Netz, das Hopfield-Netz und das vollständig verschaltete neuronale Netz.
Das könnte Sie auch interessieren...
