Open-Source-KI-Architektur für autonome Fahrzeuge

Valeo und das Forschungslabor KE:SAI haben eine Open-Science-Forschungspartnerschaft geschlossen, um eine quelloffene, generalistische KI-Architektur für autonome Fahrsysteme in der Automobilindustrie zu entwickeln.

Industrielle Herausforderung und Rollenverteilung
Ein Großteil der Software für autonomes Fahren im Automobilsektor ist proprietär. Automobilherstellern und Tier-1-Zulieferern fehlen standardisierte, reproduzierbare Referenzmodelle zur Bewertung der Systemleistung. Dies führt zu Abhängigkeiten von geschlossenen Software-Stacks, die eine unternehmensübergreifende Validierung verhindern. Zudem erfordert das Training robuster Modelle die Beherrschung seltener Grenzfälle (Edge Cases) sowie eine plattformübergreifende Generalisierung bei variierenden Hardwarekonfigurationen.

Zur Bewältigung dieser Herausforderung bringt Valeo seine industrielle Expertise für Automobilsysteme sowie sein KI-Forschungsteam valeo.ai ein, das Modelle wie DrivoR und VaVAM entwickelt hat. KE:SAI, eine Initiative von Kyutai und dem ELLIS Institute Tübingen, steuert Fachwissen in der Entwicklung von Benchmarks bei, darunter KITTI, NAVSIM und TransFuser. Die Verbindung industrieller Implementierungsparameter mit akademischem Open-Source-Benchmarking ermöglicht die Realisierung überprüfbarer physischer KI-Architekturen.

Modellarchitektur und Trainingsmethodik
Das technische Ziel besteht in einem kompakten Foundation-Modell, das fahrzeugübergreifend auf unterschiedlichen Sensorsätzen, Kameratopologien und Betriebsumgebungen generalisierbar ist.

Die Trainingspipeline nutzt umfangreiche Datensätze aus realen Fahrten, um grundlegende Perzeptions- und Steuerungsstrategien mit fahrzeugübergreifender Sensorübertragbarkeit aufzubauen. Für Szenarien mit geringer empirischer Datenbasis nutzt das System simulationsbasierte Closed-Loop-Trainingsverfahren mittels Reinforcement Learning in Verbindung mit gelernten Weltmodellen. Dadurch wird das Entscheidungsnetzwerk seltenen, sicherheitskritischen Grenzfällen und dynamischen Interaktionen ausgesetzt, ohne Risiken im physischen Fahrversuch einzugehen.

Zielanwendungen und Open-Source-Bereitstellung
Der Anwendungsschwerpunkt liegt auf der automatisierten Mobilität im Bereich von Pkw und gewerblichen Transportflotten. Die Softwarearchitektur zielt auf Prozessstabilität und konsistentes Verhalten in Grenzfällen bei variabler Sensorbestückung aus Kameras, Radar und LiDAR ab.

Sämtliche Entwicklungsergebnisse – einschließlich Quellcode, neuronaler Netzergewichte, Trainingsdatensätze und Benchmarks – werden unter Open-Source-Lizenzen öffentlich bereitgestellt. Dieser gemeinsame Referenz-Stack ermöglicht es externen Ingenieurteams, autonome Steuerungsstrategien anhand standardisierter Benchmarks zu validieren.

Technische Perspektiven
Marc Vrecko, CEO von Valeo Brain: „By combining our deep industrial and technological expertise in autonomous driving with world-class open-source research, we are establishing a shared foundation to accelerate the development of physical AI and democratize next-generation self-driving technologies.“

Andreas Geiger, CEO von KE:SAI: „For language models, open source compressed years of progress into months, yet frontier physical AI is still largely closed. Valeo shares our belief that open foundations create more innovation than any closed system ever could. Everything we develop will be open. Every step forward is a step forward for everyone.“

Bearbeitet von Evgeny Churilov, Induportals Media – Adaptiert durch KI.

www.valeo.com