Autonome Fahrzeuge revolutionieren die Automobilindustrie

Mouser stellt die wichtigsten Komponenten und Kommunikationsinnovationen vor, die für die Einführung eines vollständig autonomen Fahrzeugs erforderlich sind.

Außerdem gehen wir auf einige ethische Bedenken ein, die überwunden werden müssen, um eine gesellschaftliche Akzeptanz für selbstfahrende Fahrzeuge zu erreichen. Inhalte dieser Blog-Serie:

• Neue Technologien für autonome Fahrzeuge revolutionieren den Automotive-Sektor
• Vorurteile überwinden und Technologien für autonomes Fahren fördern
• Autonome Fahrzeuge: Die wichtigsten Meilensteine
• Sensortechnologien für autonome Fahrzeuge
• Zeitkritische Daten für autonome Fahrzeuge durch V2V und V2I
• Schaffung eines ethischen Rahmens für autonome Fahrzeuge

Auf der ganzen Welt stehen die Automobilhersteller vor zahlreichen Herausforderungen. Die Einführung von elektrischen Versionen ihrer erfolgreichen Modelle ist nur eine dieser Herausforderungen. Weitaus komplizierter ist es jedoch, eine führende Rolle bei autonomen Fahrzeugtechnologien zu übernehmen. Fortschrittliche Fahrerassistenzsysteme (FAS) sind heute in vielen Fahrzeugen verfügbar. Dabei sind die Totwinkelerkennung und der adaptive Tempomat die beliebtesten Features, doch wenn der Fahrer ersetzt werden soll, erreichen wir ein ganz neues Niveau.

Es geht weit über FAS hinaus, wenn Machine-Learning-Algorithmen den menschlichen Prozess des Überquerens einer verkehrsreichen Kreuzung nachbilden. Abgesehen von den technischen Aspekten gibt es tiefgreifende und emotionale gesellschaftliche Bedenken gegen das autonome Fahren.

Nicht nur die Automobilindustrie möchte den Erfolg von autonomen Fahrzeugen, sondern auch nationale und regionale Organisationen für Verkehrssicherheit. EU-weit gibt es derzeit 25.000 Verkehrstote pro Jahr, und es besteht die weit verbreitete Überzeugung, dass autonome Fahrzeuge die Zahl der Verkehrstoten deutlich senken werden. Autonome Fahrsysteme sind mit einer Vielzahl von Sensorsystemen ausgestattet und können potenzielle Risiken wesentlich schneller und zuverlässiger erkennen als der Mensch. Darüber hinaus bieten autonome Fahrsysteme den Vorteil, dass sie unmittelbar mit anderen Fahrzeugen kommunizieren können, um Unfälle zu vermeiden, die durch Missverständnisse mit menschlichen Fahrern verursacht werden.

Doch auch wenn die Erkennung von Kollisionsrisiken ein wichtiger Aspekt der autonomen Technologien ist, müssen autonome Systeme zunächst das Verhalten der menschlichen Verkehrsteilnehmer erlernen. Die Machine-Learning-Algorithmen müssen viel lernen, und die hierfür eingesetzten Deep Neural Networks (DNNs) brauchen Daten – und zwar sehr viele Daten. Je mehr Informationsquellen zur Verfügung stehen, desto sicherer können autonome Fahrsysteme arbeiten.

Durch die Vernetzung kann das Wissen über die Verkehrssicherheit eines Fahrzeugs ständig aktualisiert und mit den Informationen anderer autonomer Fahrzeuge ergänzt werden. Dieses Konzept der Schwarmintelligenz sieht vor, dass die Fahrzeuge ständig Informationen an cloudbasierte Managementsysteme übermitteln und so eine umfangreiche Wissensbasis schaffen, die sich aus den Aktionen der einzelnen Fahrzeuge ableitet und über Software-Updates mit bestehenden und zukünftigen Fahrzeugen geteilt wird. Tesla setzt beispielsweise auf diesen Ansatz, hat von Anfang an Daten gesammelt und analysiert diese weiterhin, um die Entwicklung seiner autonomen Systeme voranzutreiben.

Das Sammeln von Daten auf diese Weise hat zwar viele Vorteile für die Weiterentwicklung der gewonnenen Erkenntnisse, wirft aber auch Fragen zum Datenschutz auf. Wie regelt man, wer die Befugnis hat, Fahrzeugdaten zu sammeln, zu analysieren und weiterzugeben? Was ist mit der Privatsphäre der Fahrzeuginsassen? Wer überwacht und stellt sicher, dass Kontrollmechanismen vorhanden sind? Ein Ansatz besteht darin, die Daten auf eine Ebene zu abstrahieren, bei der alle personenbezogenen Informationen entfernt werden, aber dennoch der Zugriff auf die praktischen Fahrzeugaktivitäten möglich ist, um Entwicklungen zu analysieren. Dabei müssen viele Aspekte des Datenzugriffs und des Datenschutzes von den Rechts- und Aufsichtsbehörden geklärt werden.

Erkenntnisse aus den gesammelten Daten gewinnen
Unfälle im Straßenverkehr sind zum Glück relativ selten, verglichen mit den vielen Stunden, die Fahrzeuge auf den Straßen unterwegs sind. Das stellt Datenwissenschaftler, die neuronale Netze für autonomes Fahren entwickeln sollen, vor Herausforderungen. Denn um effektiv zu sein, brauchen diese Algorithmen riesige Datenmengen, damit sie lernen können, wie sich Unfälle ereignen und in der Lage sind, ein potenziell tödliches Ereignis sofort zu erkennen und darauf zu reagieren, während sie auf der Straße unterwegs sind. Beim Training von Machine-Learning-Systemen spielen Simulationen eine wichtige Rolle.

An der Universität des Saarlandes in Deutschland haben Forscherinnen und Forscher eine Lösung entwickelt, bei der für dieses Training keine realen Unfälle verursacht werden müssen. Sie sind Vorreiter beim komplexen simulationsbasierten Training für neuronale Netze und können mögliche Unfallszenarien und herausfordernde Ereignisse vorgeben, die autonome Systeme erkennen und lösen müssen.

Eine besondere Herausforderung bei der simulationsbasierten Überprüfung ist jedoch, selbst bei Zugang zu detaillierten Wissensdatenbanken, die Entscheidung darüber, wie wahrscheinlich jedes Szenario ist. Zudem müssen Situationen simuliert werden, in denen ein Teil des Systems oder ein Sensor ausfällt. Wenn beispielsweise ein Sensor ausfällt, könnte dies dazu führen, dass das System annimmt, dass eine Kollision bevorsteht, obwohl in Wirklichkeit nichts im Weg ist. Die Zusammenführung der Daten von mehreren Sensoren kann dem neuronalen Netz bei der Selbstdiagnose helfen, um die Fahrzeuginsassen zu warnen und das Fahrzeug in einen ausfallsicheren Zustand zu versetzen.

Die Aufzeichnung von Fahrzeugerfahrungen soll diesen Lernprozess unterstützen, damit autonome Fahrzeuge aus ihren eigenen und den Fehlern anderer lernen können. Das regelmäßige Hochladen von Daten, vielleicht sogar jede Nacht, bietet den Herstellern die Möglichkeit, die neuronalen Netze neu zu trainieren, um autonome Fahrzeuge so sicher wie möglich zu machen. Eine entscheidende Rolle dabei spielt der Datenschutz, um die Fahrzeuginsassen vor Verletzungen ihrer Privatsphäre zu schützen. Durch die Anonymisierung bzw. Abstrahierung der Daten kann dies erreicht werden, jedoch braucht es klare rechtliche Vorgaben und Vereinbarungen zwischen Fahrzeugbesitzern und -herstellern.

Ein weiterer Aspekt bei der Entwicklung und Aktualisierung sicherer und zuverlässiger autonomer Fahrzeugsysteme ist die Chance für Fahrzeughersteller, zusammenzuarbeiten, anstatt eigene Systeme zu entwickeln. Durch die gemeinsame Nutzung von Trainingsszenarien profitieren Fahrzeughersteller und Kunden von der Wahrscheinlichkeit, dass jede mögliche Situation erkannt wurde. Um ein Höchstmaß an Unfallerkennung zu erreichen, können nationale Verkehrssicherheitsbehörden und die Automobilindustrie gemeinsam standardisierte Trainingspakete entwickeln.

Selbstfahrende autonome Systeme sind auf die Informationen unzähliger Sensoren angewiesen, um sicher zu navigieren, aber es muss einen Rahmen mit übergeordneten Protokollen geben, in denen das Vorgehen festgelegt ist, wenn ein Unfall nicht vermieden werden kann. Dieses Konzept einer Entscheidungsmatrix bei sicherheitsrelevanten Entscheidungen ist bereits ein kontroverses Thema, bei dem die Sicherheit von Fahrzeuginsassen und Fußgängern im Vordergrund steht. Die Erstellung eines umfassenden Sicherheitsrahmens ist ein komplexes und äußerst sensibles rechtliches und soziales Dilemma, das wir in dieser Blog-Serie näher untersuchen werden.

www.mouser.com

  Fordern Sie weitere Informationen an…