211service.com
Tesla könnte die Augen des Autopiloten durch etwas weit Fortgeschritteneres ersetzen
Wozu wird Teslas neues Gehirn fähig sein?
Der Autokonzern gab letzte Woche bekannt, dass er kein Sichtsystem mehr verwenden werde, das von MobileEye bereitgestellt wird, einem israelischen Unternehmen, das Technologie an viele Autohersteller liefert. Dies geschieht einige Wochen, nachdem die National Highway Traffic Safety Administration bekannt gegeben hat, dass sie einen tödlichen Unfall untersucht, der sich ereignete, als eines von Teslas Autos im Autopilot-Modus fuhr, einem System, das das automatisierte Fahren unter Aufsicht eines Fahrers ermöglichen soll. Es ist unklar, warum Tesla MobileEye fallen lässt, aber ein Grund könnte das Aufkommen neuerer Ansätze für das automatisierte Fahren sein.
MobileEye stellt ein fortschrittliches Bilderkennungssystem dar, das in der Lage ist, Verkehrszeichen oder Hindernisse, wie andere Autos oder Fußgänger, auf der vorausliegenden Straße zu erkennen. Das Unternehmen hat erklärt, dass es Deep Learning verwendet, eine beliebte Technik des maschinellen Lernens, die auf dem Training eines vielschichtigen Netzwerks simulierter Neuronen basiert, um Eingaben anhand einer großen Anzahl von Trainingsbeispielen zu erkennen.
Tesla hat nicht öffentlich bekannt gegeben, wie seine halbautomatische Fahrtechnologie funktioniert, aber es nimmt höchstwahrscheinlich Informationen aus dem MobileEye-System sowie Daten von Radar- und Ultraschallsensoren und verwendet diese, um Fahrentscheidungen zu treffen.
Tesla kann einfach sein eigenes Sichtsystem entwickeln, das ausschließlich für das automatisierte Fahren entwickelt wurde. Das Unternehmen lehnte eine Stellungnahme ab, baute jedoch Expertise in der Bildverarbeitung auf und rekrutierte Experten auf diesem Gebiet.
In der Vergangenheit verwendeten automatisierte Fahrsysteme von Ingenieuren handcodierte Regeln, um Hindernisse zu erkennen und wichtige Entscheidungen auf der Straße zu treffen. Zunehmend werden Regeln jedoch durch maschinelles Lernen ersetzt, eine Methode, einem System anhand von Massen von Daten das Verhalten beizubringen. Insbesondere Deep Learning wird eingesetzt, um Autos nicht nur das Sehen, sondern auch das richtige Fahren beizubringen. Zukünftige Systeme werden maschinelles Lernen nutzen, um mehr zu tun, als nur Objekte auf der Straße zu erkennen – beispielsweise könnten sie in der Lage sein, die Entfernung zu einem Hindernis oder sogar seine Flugbahn zu bestimmen. Es ist auch möglich, dass maschinelles Lernen bei der Bewegungsplanung eines Autos und sogar bei der Steuerung seiner Antriebssysteme hilft.
Nvidia, das Hardware an viele Autohersteller, einschließlich Tesla, liefert, hat ein System demonstriert, das Deep Learning verwendet, um alles auf einem selbstfahrenden Prototyp zu steuern. Dies war jedoch ein rein experimenteller Prototyp und spiegelt nicht unbedingt ein zukünftiges Angebot von Nvidia wider. Der Hardwarehersteller lehnte eine Stellungnahme zu diesem Artikel ab.
Ignmar Posner , Dozent an der University of Oxford und Experte für die Anwendung von maschinellem Lernen auf Robotersysteme, einschließlich selbstfahrender Fahrzeuge, sagt, dass Deep Learning in kommenden Fahrsystemen wahrscheinlich eine komplexere Szeneninterpretation übernehmen wird.
„Ich denke, die Anwendungen beim autonomen Fahren werden sich erweitern, wenn mehr Sensormodalitäten wie Radar und Lidar eingeführt werden und unterschiedliche Ausgänge erforderlich sind“, sagt Posner. „Stellen Sie sich zum Beispiel ein System vor, das lernt, die Aktionen eines Fahrers im Voraus zu antizipieren und prüft, ob diese sicher sind.“
Einige Start-ups arbeiten bereits an fortschrittlicheren Deep-Learning-basierten Fahrsystemen, die in Kürze kommerziell erhältlich sein könnten.
Drive.ai, ein Unternehmen, das von einer Gruppe von KI-Forschern der Stanford University gegründet wurde, entwickelt ein ausgeklügeltes automatisiertes Fahrsystem, das es schließlich den Autoherstellern anbieten wird. Wie das System von Nvidia nutzt Drive.ai Deep Learning für weitere Elemente des automatisierten Fahrens, darunter Bilderkennung und Elemente der Bewegungsplanung und -steuerung. Im April dieses Jahres erhielt Drive.ai als 13. Unternehmen eine Lizenz zum Testen autonomer Fahrzeuge auf der Straße in Kalifornien.
„Wir haben erkannt, dass Autofahren diese erstaunliche Anwendung von Deep Learning ist, und wenn man es richtig macht, ist es eine Möglichkeit, die Welt zu verändern“, sagt Carol Reiley, Robotikerin und Mitbegründerin von Drive.ai. „Es ist ein sehr datengesteuerter Deep-Learning-Ansatz für das Fahren.
Nach Jahren des langsamen und stetigen Fortschritts verändert sich die Automobilindustrie jetzt in einem außergewöhnlichen Tempo, wobei Verbrennungsmotoren und Kurbelwellen immer weniger wichtig sind als Computer, Sensoren und Code (siehe „Neustart des Automobils“). Dass ein Unternehmen wie Drive.ai, das mit Informatikern und KI-Experten besetzt ist, bereit sein könnte, eine neue Schlüsseltechnologie für Autohersteller einzuführen, sagt viel über diese Transformation aus. Aber es ist auch entscheidend, dass diese Art von Fachwissen die Autowelt durchdringt, da maschinelle Lerntechniken wie Deep Learning grundlegend anders sind (siehe „Wenn ein fahrerloses Auto schlecht wird, wissen wir vielleicht nie warum“).
Reiley erklärt, dass dies ein großer Schwerpunktbereich für Drive.ai ist. „Beim autonomen Fahren ist die Sicherheit so entscheidend“, sagt sie. „Eines der Dinge, über die wir intensiv nachdenken, ist, wie man Deep-Learning-Systeme halbtransparent testen kann. Dass die Leute zumindest die Inputs verstehen und erwartete Outputs haben.'
Drive.ai tritt in einen umkämpften Markt ein. Google testet seit einiger Zeit selbstfahrende Autos mit dem Ziel, die Technologie schließlich den Autoherstellern anzubieten. Es wird auch gemunkelt, dass Apple ein automatisiertes Fahrsystem entwickelt, entweder für das eigene Fahrzeug oder für ein Produkt, das bestehenden Autoherstellern angeboten wird.
Posner von der Universität Oxford sagt, dass neue und verbesserte Sensorfunktionen, die für automatisierte Fahrzeuge entwickelt wurden, zu besseren mobilen Robotern für viele industrielle Umgebungen wie Bergbau und Lagerlogistik führen sollten. „Dieser Punkt wird oft übersehen“, sagt Posner. 'Autonome Autos stellen wirklich nur einen kleinen Teil der Anwendungsbereiche dar, die diese Technologie berühren wird.'