„Ein Fahrzeug hat kein Ego“

Rigel Smiroldo und Timo Rehfeld, Daimler Experten für KI und Maschinelles Lernen, erklären, wie autonome Fahrzeuge Sehen und Verhalten im Verkehr lernen.

Künstliche Intelligenz ist ein topaktuelles Thema, doch was genau können KI und Maschinelles Lernen dazu beitragen, dass das Autonome Fahren Wirklichkeit wird?

Rigel Smiroldo: Es geht in erster Linie darum, dass ein autonomes Fahrzeug Entscheidungen treffen muss. Dazu muss es unter anderem zwei Fragen verstehen: Erstens: In welcher Art von Umgebung befinde ich mich gerade? Das ist schon kompliziert genug. Zweitens: Was muss ich jetzt tun? Abbiegen? Gas geben? Und wie wird sich diese Aktion auf meine Wahrnehmung der Umgebung auswirken? Beide Aspekte fallen in den Bereich von KI und Maschinellem Lernen.

Ein autonomes Fahrzeug muss Entscheidungen treffen.

Rigel Smiroldo, Leitender Ingenieur Maschinelles Lernen in der Abteilung Daten und Künstliche Intelligenz von Mercedes-Benz Research & Development North America (MBRDNA)

Timo Rehfeld: KI bezieht sich auf Künstliche Intelligenz als Ganzes. Früher sprach man von KI, wenn man ein festes Regelwerk hatte. Der erste Schachcomputer war nicht mehr als ein hart codiertes Regelwerk. Er traf Entscheidungen, aber die waren vorher programmiert worden. Maschinelles Lernen ist demgegenüber eine Verbesserung. Wir stellen einem Computer Beispiele zur Verfügung, auf deren Basis er lernen kann, komplexe Muster zu erfassen und Entscheidungen zu treffen. Er lernt so z. B., wie er einen Fußgänger auf einem Kamerabild erkennen kann. Dazu nutzen wir die unterschiedlichsten Sensoren: Radar, Kameras und LIDAR. LIDAR-Sensoren haben wegen ihrer hochpräzisen Entfernungsmessung eine Schlüsselfunktion.

Sie waren vor Kurzem auf einer KI-Konferenz in Südkalifornien. In den USA haben Sie die Fahrten auf dem Highway weitgehend einer Mercedes-Benz E-Klasse überlassen. War es für das Fahrzeug schwierig, diese Herausforderung zu bewältigen?

Rigel Smiroldo ist Leitender Ingenieur für Maschinelles Lernen in der Abteilung Daten und Künstliche Intelligenz von Mercedes-Benz Research & Development North America (MBRDNA)

Smiroldo: Wer Distronic Plus mit Abstandsregeltempomat und Spurhalteassistent nutzt, hat als Fahrer auf einer Fernstrecke wie dem Highway zwischen der Bay Area und Los Angeles nicht mehr viel zu tun. Das heißt, bestimmte Aspekte des Autonomen Fahrens kommen nicht erst in 10 oder 15 Jahren, sondern unsere Fahrzeuge verfügen heute schon über die entsprechenden Systeme. Die modernen Fahrerassistenz- und Sicherheitssysteme, mit denen ein Mercedes-Benz heutzutage ausgerüstet ist, ermöglichen bereits eine bestimmte Autonomiestufe. Doch wir arbeiten auf eine volle Automation hin.

Und wie vollziehen wir den Schritt von Fahrerassistenzsystemen zum Autonomen Fahren?

Smiroldo: Viele denken, dass sie eines Morgens aufwachen werden und die Welt sich plötzlich wie durch Zauberhand verändert hat. In Wirklichkeit ist das mehr ein allmählicher Übergang.

Viele denken, dass sie eines Morgens aufwachen werden und die Welt sich plötzlich wie durch Zauberhand verändert hat. In Wirklichkeit ist das mehr ein allmählicher Übergang.“

Rigel Smiroldo

Timo Rehfeld ist Leitender Ingenieur im Team Sensordatenfusion von Mercedes-Benz Research & Development North America (MBRDNA)

Rehfeld: Man muss auch zwischen verschiedenen Anwendungsfällen unterscheiden. Mobilitätsdienstleistungen in der Stadt sind etwas ganz anderes als meine Fahrt auf dem Highway. In der Stadt wird nicht so schnell gefahren. Daher können wir die Rechenzeit des Computers erhöhen. Und wir haben mehr Hardware, d. h. mehr Sensoren, weil diese Fahrzeuge Teil einer Flotte sind. Auch die Algorithmen sind bei Stadtfahrten anders. Meiner Meinung nach werden diese Technologien ziemlich lange nebeneinander bestehen. Sie könnten irgendwann zusammenfließen.

Was können Fahrzeuge heute schon und womit sind sie noch überfordert?

Smiroldo: Da geht es meist um Schlussfolgerungen, die aus einer komplexen Umgebung gezogen werden müssen – die psychologischen Faktoren. Ein Fahrzeug will einschätzen können, ob ein Fußgänger die Straße überqueren wird oder nicht. Daher muss das Fahrzeug dafür sorgen, dass der Fußgänger es sieht. Wenn der Fußgänger zum Fahrzeug schaut, weiß ich, dass er wahrscheinlich nicht auf die Fahrbahn läuft. Wenn er auf sein Smartphone guckt, würde man eher bremsen. Nicht zu vergessen bestimmte Feinheiten, z. B. wenn ein Fußgänger einem Autofahrer signalisiert, er soll weiterfahren, obwohl die Ampel rot ist. Das alles sind außerordentliche Fälle, mit denen ein autonomes Fahrzeug nur sehr schwer umgehen kann, weil es sich nicht um ein Modellierungsproblem in der Physik handelt, sondern um ein Problem bei der Modellierung menschlichen Verhaltens.

Wie funktioniert die Interaktion zwischen autonomen Fahrzeugen?

Rehfeld: Hier liegt die Herausforderung in der heterogenen Umgebung. Wenn es eine Fahrzeug-zu-Fahrzeug-Kommunikation gibt und jedes einzelne Fahrzeug mit allen anderen Fahrzeugen kommunizieren kann, ist das Problem im Prinzip gelöst. Das ist im echten Leben jedoch nicht der Fall, und es wird in den nächsten Jahrzehnten wahrscheinlich auch nie der Fall sein. Daher müssen Sie dafür sorgen, dass Ihr Fahrzeug sich in einer heterogenen Umgebung zurechtfindet und es entsprechend trainieren.

Smiroldo: Man denke nur einmal daran, was ein Mensch alles tun muss, um diese Kulturdaten zu sammeln. Und ein Mensch hat 18 Jahre Zeit, bis er erwachsen ist. Stellen Sie sich vor, wie viele Daten ein Fahrzeug braucht, um auf diesen Stand zu kommen. Mit einem entscheidenden Unterschied gegenüber Menschen: Wenn man die Daten einmal hat, kann man sie auf alle anderen Fahrzeuge übertragen.

Sie nutzen also kein hart codiertes Regelwerk, sondern sammeln zahlreiche Daten, um das Fahrzeug zu trainieren. Wie funktioniert Maschinelles Lernen genau?

Rehfeld: Wenn der Computer zum Beispiel zwei Fußgänger auf einem Bild erkennen soll, muss zunächst ein Mensch die Daten kommentieren, um dem Computer das gewünschte Ergebnis vorzugeben. Ein Mensch markiert also alle Fußgänger auf einem Bild, sodass der Computer weiß, was er erkennen soll. Maschinelles Lernen ist letztendlich ein Optimierungsproblem. Irgendwann wird das unüberwachte Lernen Wirklichkeit werden. Dann kann der Computer auf menschliche Kommentare verzichten. Doch bis es so weit ist, sind wir stark auf gute Kommentare angewiesen.

Werden Menschen ihr Verhalten im Straßenverkehr ändern müssen, wenn immer mehr autonome Fahrzeuge unterwegs sind?

Smiroldo: Immer, wenn eine neue Technologie aufkommt und etwas Neues möglich wird, passt sich die Kultur daran an. Das wird auch beim Autonomen Fahren so sein. Die Fußgänger werden ihr Verhalten ändern, wenn sie sich erst einmal an autonome Fahrzeuge gewöhnt haben. Sie werden sich anders bewegen, sodass ihre Absicht klarer erkennbar ist – wir sprechen ja auch anders, wenn wir mit einem Sprachassistenten reden. Das macht es für das Fahrzeug einfacher. Aber auch Fahrzeuge können deutlicher anzeigen, was sie vorhaben. Wir können externe Benutzerschnittstellen einbauen, die visuelle oder akustische Hinweise oder Lichtsignale geben. Zu den schönen Seiten des Autonomen Fahrens gehört es, dass ein Fahrzeug kein Ego hat. Es hat einfach nicht diese Aggressivität, mit der ein New Yorker durchsetzt, dass er jetzt „dran“ ist.

Kinder, die mit autonomen Fahrzeugen aufwachsen, werden als Erwachsene dieser Technologie vertrauen.

Timo Rehfeld, Leitender Ingenieur im Team Sensordatenfusion von Mercedes-Benz Research & Development North America (MBRDNA)

Wie erleben die Insassen das Autonome Fahren? Was zeigen Sie ihnen, um Vertrauen zu schaffen?

Rehfeld: Wir müssen über den Aufbau eines ganzheitlichen Systems nachdenken. Das heißt, die KI, die mit dem Kunden in Interaktion steht, muss mit der KI vernetzt sein, die das Fahrzeug steuert. Situationen wie diese soll es schließlich nicht geben: Der Kunde fragt: „Hast du den Fußgänger da vorne gesehen?“ Und das System antwortet: „Das weiß ich nicht, ich bin nicht mit dem autonomen Fahrsystem vernetzt.“ Um Vertrauen aufzubauen, müssen die Antworten direkt aus dem autonomen Fahrsystem kommen. Dann haben die Menschen keine Bedenken, das Steuer abzugeben und das Fahrzeug autonom fahren zu lassen. Kinder, die mit autonomen Fahrzeugen aufwachsen, werden als Erwachsene dieser Technologie vertrauen.

Rigel Smiroldo ist Leitender Ingenieur Maschinelles Lernen in der Abteilung Daten und Künstliche Intelligenz von Mercedes-Benz Research & Development North America (MBRDNA) im Silicon Valley. Der Absolvent der University of California, Berkeley, leitet ein kleines Team von Forschern, die neuartige Technologien des Maschinellen Lernens für die Automobilindustrie entwickeln. Er ist seit 2010 bei MBRDNA und hat dort an verschiedenen Projekten an der Schnittstelle zwischen Mensch und Maschine gearbeitet, unter anderem MBUX (Mercedes-Benz User Experience), dem neuen Multimediasystem in der A-Klasse.

Timo Rehfeld ist Leitender Ingenieur im Team Sensordatenfusion. Der Schwerpunkt seiner Arbeit liegt darauf, die Informationen von Kameras, Laserscannern und Radarsensoren zu einer ganzheitlichen Darstellung der Umgebung zusammenzuführen, die von den Algorithmen in autonomen Fahrzeugen genutzt werden können. Bevor er 2015 zu MBRDNA kam, hat er als Doktorand bei Daimler Anwendungen von Computer Vision und Maschinellem Lernen im Automobilbereich erforscht. Er ist Mitherausgeber des Cityscapes Dataset. Durch diesen Datensatz ist das Forschungsinteresse an Computer Vision für Autonomes Fahren deutlich gestiegen.

Wir verwenden Cookies

Damit wollen wir unsere Webseiten nutzerfreundlicher gestalten und fortlaufend verbessern. Wenn Sie die Webseiten weiter nutzen, stimmen Sie dadurch der Verwendung von Cookies zu.

;