Neuigkeiten aus erster Hand?
Neuigkeiten und Hintergründe aus der Dichtungstechnik erfahren, innovative Produkte kennenlernen – im kostenlosen E-Mail-Newsletter von Freudenberg Sealing Technologies.
- Home
- News & Stories
- Magazin
-
Zurück zu
Digitalisierung
- Freie Fahrt für KI
Freie Fahrt für KI
In den Entwicklungsabteilungen der Automobilindustrie spielen Künstliche Intelligenz und maschinelles Lernen eine immer wichtigere Rolle. Die neuen Algorithmen sollen nicht nur dem hochautomatisierten Fahren zum Durchbruch verhelfen, sondern nahezu jedes Problem lösen, dem mit klassischen IT-Methoden nicht beizukommen ist.
Pong! Das 1972 von Atari veröffentlichte Computer-Tennis, bei dem zwei einfache Balken einen hin und her wandernden Ball im Spiel halten sollten, war weltweit der erste Blockbuster und gilt als Urvater aller Videospiele. Die dafür erforderliche Rechenleistung indes war bescheiden. Je realitätsnäher die Computerspiele wurden, umso mehr Programmieraufwand steckte dahinter und umso mehr „Lines of Code“ waren zu rechnen. Heute stößt das herkömmliche, „harte“ Codieren von Algorithmen an Grenzen. Zum Beispiel beim autonomen Fahren in urbanen Räumen: Es ist schlicht unmöglich, eine Maschine so zu programmieren, dass sie auf alle möglichen Fälle und Zufälle im Stadtverkehr vorbereitet ist. Es bedarf einer Software, die Regelkonflikte auf der Basis von Erfahrung löst. Die dafür benötigten Algorithmen werden auch als künstliche Neuronale Netze bezeichnet, die mit Methoden des maschinellen Lernens trainiert werden.
Neuronale Netze
Der KI-Einsatz für das hochautomatisierte Fahren beginnt mit der zweifelsfreien Erkennung dessen, was die Sensoraugen des Autos wahrnehmen. Denn was bereits für Kleinkinder eine leichte Übung ist, müssen Maschinen erst mühsam lernen. Die computergestützte Bilderkennung hat allerdings in den vergangenen Jahren große Fortschritte gemacht. Den Schlüssel dazu liefern tief geschichtete neuronale Netzwerke. Sie basieren auf einem mehrschichtigen System aus kleinsten Recheneinheiten, den sogenannten Neuronen. Jedes Neuron gibt seine Ergebnisse an die Neuronen in der darunter liegenden Schicht weiter – wobei die Regeln, nach denen sie berechnet und weitergegeben werden, sich fortlaufend verändern. Neuronale Netze können erst einmal gar nichts, sondern müssen trainiert werden – erst wenn sie Bilder von vielen Hunderassen gesehen haben, können sie einen Hund von einer Katze unterscheiden. Allerdings lässt sich dieser Prozess weitgehend automatisieren, indem man die Maschine mit Bildern und zugehörigen Bildbeschreibungen, etwa aus Foto-Datenbanken füttert. Je mehr Schichten ein neuronales Netz aufweist, desto komplexer die Lernvorgänge, die es ermöglicht – daher stammt der häufig verwendete Begriff „Deep Learning“.
Ist das Umfeld eindeutig erkannt, dann gilt es, die richtigen Entscheidungen zu treffen – sprich zu bremsen oder zu beschleunigen, nach rechts oder nach links zu steuern oder auch einfach nichts zu tun. Dabei kann sich eine Maschine durchaus auf den Menschen einstellen, der im Cockpit sitzt. Das zeigt das Forschungsprojekt „Proreta 4“, das die Technische Universität Darmstadt gemeinsam mit Continental durchgeführt hat. Für ein Assistenzsystem, das Autofahrer beim Linksabbiegen unterstützt, wurde mit Daten aus realen Fahrten ein mit lernenden Algorithmen arbeitendes Modell entwickelt. Es klassifiziert jeden Fahrer anhand definierter Fahrmanöver in eine von drei Fahrstil-Kategorien und definiert zudem in 200-Millisekunden-Intervallen einen optimalen Zeitabstand für das Abbiegen. Die Festlegung ist nicht dauerhaft, sondern erfolgt laufend neu, so dass auch Fahrerwechsel und persönliche Fitness berücksichtigt werden können. Knut Ehm, Leiter Vorentwicklung der Continental-Division Interior, lobt die Ergebnisse: „Solchen adaptiven Assistenzsystemen, die individuelle Präferenzen der Fahrer berücksichtigen, gehört die Zukunft.“ Von Mensch-Maschine-Schnittstelle will Ehm gar nicht mehr sprechen. „Das ist ein Begriff von gestern.“ Es gehe vielmehr darum, dem Menschen einen digitalen Beifahrer zur Verfügung zu stellen.
Embedded Systems
Bald schon könnte der Beifahrer das Kommando zeitweise ganz übernehmen, wenn auch zunächst nur in bestimmten Straßenabschnitten, den sogenannten „Operational Design Domains“ (ODD), also auf einem bestimmten Straßentyp in einer klar umrissenen geographischen Region und ausschließlich in einem zuvor festgelegten Geschwindigkeitsbereich. So will BMW eine eigene Flotte ab dem Jahr 2021 in urbanem Umfeld mit Geschwindigkeiten bis 70 km/h testen. Der künftige Partner Daimler kündigte zuvor ähnliche Tests an. Spätestens dann sind erstmals auch KI-Rechner an Bord der Fahrzeuge. Diese Computer unterscheiden sich grundlegend von heutigen Steuergeräten, die als eingebettete Systeme („Embedded Systems“) ausgeführt sind. Denn sie arbeiten mit Hochleistungschips, die aus der Welt der Computerspiele stammen. Die Grafikprozessoren sind dazu in der Lage, sehr viele Rechenoperationen parallel durchzuführen – und passen damit perfekt zu Neuronalen Netzen, in denen die Rechenprozesse ebenfalls in sehr vielen kleinen Schritten erfolgen. Eine auf der Consumer Electronics Show in Las Vegas präsentierte Hardware-Lösung von ZF für künftige Robotertaxis ermöglicht 600 Billionen Rechenoperationen pro Sekunde im Zentralrechner.
Doch Künstliche Intelligenz kommt in der Automobilindustrie längst auch in vielen anderen Bereichen zum Einsatz. So sagt Patrick van der Smagt, der im Volkswagen Data:Lab in München eine Forschungsgruppe leitet: „Künstliche Intelligenz ist nicht nur für autonomes Fahren interessant, sondern für viele Facetten unseres Unternehmens, ob in der Produktion oder in der Ersatzteilversorgung.“ Als Beispiel nennt er eine konzerninterne Auftragsarbeit, bei der es um eine Software für ein elektrisches Rennfahrzeug ging. Sie sagt voraus, wann die Batterie vollständig entladen ist. „Das ist wichtig, um am Ende des Rennens die in der Batterie enthaltene Energie vollständig ausgenutzt zu haben, ohne vorzeitig stehen zu bleiben“, so der Experte. „Mit klassischer Regelungstechnik ist das nicht zu lösen, weil man dem sehr komplexen Zusammenhang zwischen Fahrerverhalten, wechselnden Randbedingungen und dem Batteriezustand über einen längeren Zeitraum vorhersagen muss.“
Jedes technische System hat einen eigenen akustischen Fingerabdruck.
An einer anderen Anwendung arbeitet das Porsche Data Lab in Berlin. Der Ansatz, den Claudio Weck dort verfolgt: Über den technischen Zustand eines Systems verrät dessen Klang oft mehr als der äußere Anschein. Trainiert man ein auf Mustererkennung spezialisiertes KI-System mit typischen Klangbildern, kann es Abweichungen erkennen und Alarm schlagen. „Jedes technische System hat einen eigenen akustischen Fingerabdruck“, so Weck. „Abweichungen sind fast immer Hinweise auf eine deutliche Veränderung des Systemverhaltens.“
Ob vorausschauende Wartung oder die Steuerung der Produktion, ob die automatisierte Übersetzung von Trainingsunterlagen oder das Controlling von Marketingmaßnahmen: Es scheint kaum einen Bereich zu geben, in dem Künstliche Intelligenz in der Automobilindustrie nicht eingesetzt werden kann. Allein im Herstellprozess, so eine McKinsey-Studie, lassen sich branchenweit bis zu 61 Milliarden Dollar einsparen, etwa durch automatisierte Qualitätskontrollen. Viele Hersteller schichten derzeit ihr IT-Budget entsprechend um. Das schürt Ängste der Arbeitnehmer. Bislang allerdings ist noch kein Fall bekannt, in dem eine Kündigung wegen der Einführung eines KI-Systems ausgesprochen wurde. Denn auf dem Weg zu autonomen Systemen sind noch viele durchgezogene Linien zu überqueren.
Weitere Storys zum Thema Digitalisierung
Zurück zum Anfang