Durch Nutzung dieses Diensts und der damit zusammenhängenden Inhalte stimmen Sie der Verwendung von Cookies für Analysezwecke, personalisierte Inhalte und Werbung zu.
Sie verwenden eine veraltete Browserversion. Bitte verwenden Sie eine unterstütze Versiondamit Sie MSN optimal nutzen können.

Was Autofahren mit Intelligenz zu tun hat

Silicon-Logo Silicon 04.02.2020 Kai Schmerer
Autonomes Fahren (Bild: DoubleSlash, Adobe) © DEFAULT_CREDIT Autonomes Fahren (Bild: DoubleSlash, Adobe) Das autonome Auto kommt. Allerdings wohl später als Optimisten glauben. Zwar können moderne Autos schon heute bestimmte Verkehrssituationen gut erkennen und angemessen reagieren. Die Königsdisziplin allerdings, das richtige Entscheiden in komplexen Situationen, beherrschen Computer noch lange nicht.

Die Aufgabe klingt simpel: Der Mensch steigt in sein Auto und versucht, ohne Unfall oder sonstige Zwischenfälle sein Ziel zu erreichen. Besonders schlau, so scheint es, muss er dafür nicht sein. Stellt man aber ein Computersystem vor die gleiche Aufgabe, wird schnell klar: Ohne ein erhebliches Maß an (künstlicher) Intelligenz ist das nicht zu machen.

Denn was einfach klingt, ist in Wirklichkeit hoch komplex. Das zeigt sich allein schon daran, dass die Situationen, vor die sich ein Autofahrer – und ein autonomes Fahrsystem – gestellt sieht, im wahrsten Sinn des Wortes unendlich vielfältig sind. Um sie zu beherrschen und die jeweils richtigen Entscheidungen zu treffen, reicht es nicht aus, angelerntes Wissen aus zuvor eingeübten Situationen zu reproduzieren. Es braucht vielmehr

  • die intelligente Verknüpfung aller aktuell verfügbaren Fakten,
  • den Abgleich mit gelernten Inhalten,
  • das intelligente Ableiten aller möglichen angemessenen Reaktionen und
  • eine möglichst verlässliche Prognose der daraus sich ergebenden Konsequenzen.

Die drei Elemente

Im Grunde besteht autonomes Fahren aus drei wesentlichen Elementen: Erkennen – Entscheiden – Agieren.

  • Erkennen“ heißt: Das Fahrzeug muss Muster und Objekte erkennen – die Fahrspur, feste Hindernisse auf und neben der Fahrspur, Fußgänger, Radfahrer und andere Autos, Verkehrsschilder und Ampeln, Tiere, Fußbälle und vieles mehr. Auch die Dynamik bewegter Gegenstände oder Lebewesen muss das System erkennen und deren weiteren Weg zuverlässig berechnen. Dazu muss es die Daten von Kameras und Sensoren, Laser- und Ultraschallmessgeräten auswerten. Die (Mustererkennungs-)Technik dahinter – auch der Anteil der KI – ist seit rund zwei Jahrzehnten bekannt und wird stetig verfeinert. Auf ihr und dem dritten Element, Agieren, basieren die heutigen Fahrerassistenzsysteme.
  • Entscheiden“ bedeutet: Das System muss, nachdem es auf Grundlage der Navigationsdaten die Route definiert hat, anhand der Daten, die das „Erkennen“ liefert, über die jeweils fälligen Aktionen entscheiden. Es muss langfristige, mittel- und extrem kurzfristige Strategien entwickeln, um das vorgegebene Ziel zu erreichen. Seine Entscheidungen muss der Computer in Millisekunden-Abständen überprüfen und bei Bedarf feinjustieren. Dazu muss er die verfügbare Datenflut permanent auswerten und berechnen: Welche Aktion hat die höchste Wahrscheinlichkeit auf Erfolg, welche Konsequenzen sind wie wahrscheinlich? Welche Alternativen gibt es – mit deren möglichen Konsequenzen einschließlich ihrer Wahrscheinlichkeit? In diesem Element stecken logischerweise die größten rechnerischen und kognitiven Herausforderungen. Sie sind nur mit KI zu meistern.
  • Agieren“: Das Fahrzeug setzt die Ergebnisse aus „Erkennen“ und „Entscheiden“ um – im Wesentlichen durch Beschleunigungs-, Brems- und Lenkmanöver oder etwa durch Blinken oder Hupen. Auch dieses Element ist technisch kein Problem mehr und wird schon heute durch intelligente Steuergeräte weitestgehend abgedeckt.

Der Mensch denkt

Im Bereich „Entscheiden“ ist allerdings noch eine Menge Entwicklungsarbeit zu leisten. Ihn zu beherrschen heißt höchst komplexe Zusammenhänge richtig interpretieren und daraus vernünftige, angemessene Schlüsse ziehen. Steigt man etwas tiefer in die Materie ein, zeigt sich schnell, welche kognitiven Leistungen das menschliche Gehirn scheinbar mühelos allein schon beim Autofahren erbringt. Genau das zu lernen, ist die Aufgabe von KI in den kommenden Jahrzehnten.

Das beginnt bei einem wesentlichen Unterschied zwischen der menschlichen Kognition und der Rechenleistung einer Maschine: Während der Mensch intuitiv selektiv wahrnimmt – also seine Aufmerksamkeit und damit sein Denken auf bestimmte Ereignisse, Situationen oder Ausschnitte der Realität lenkt –, hat die Maschine diese Möglichkeit nicht. Sie muss zunächst jedes Detail gleichwertig behandeln, analysieren und bewerten.

Fokussierung auf das Wesentliche

Beim Autofahren zum Beispiel achten wir wesentlich genauer auf Bewegung, weil wir wissen, dass hiervon eher Gefahr ausgeht als von unbeweglichen Gegenständen. Oder: Wir filtern bestimmte Geräusche aus dem Umgebungslärm heraus, richten unsere Wahrnehmung darauf und nehmen den Rest nur noch schemenhaft wahr. Der Mensch erhöht quasi die Auflösung nur dort, wo es erforderlich ist. Das reduziert die zu verarbeitende Datenmenge erheblich und kann in bestimmten Situationen helfen, schnell und hoffentlich richtig zu entscheiden.

IT-Systeme können bislang solche Unterscheidungen nicht treffen, da sie stark auf Intuition, teilweise archaischem Wissen oder auch Gefühl beruhen. Kategorien, die sich kaum klar erfassen und definieren und noch weniger rechnerisch nachbilden lassen. Diese Unfähigkeit, sich selektiv auf das Wesentliche zu fokussieren, erhöht die für eine Entscheidung erforderliche Rechenleistung um ein Vielfaches – und macht falsche oder zu späte Entscheidungen wahrscheinlicher.

Stillstand in Paris

Für ein ähnlich gelagertes Problem sorgt die Tatsache, dass bei IT-Systemen das Erkennen komplexer, allzu menschlicher Muster bislang noch zu wünschen übrig lässt. Man stelle sich den Verkehr am Pariser Arc de Triomphe vor – dem größten Kreisverkehr Frankreichs übrigens: Auf einer nicht klar erkennbaren Zahl an Spuren knäueln und entwirren sich ständig Fahrzeuge, die aus einer der zwölf angrenzenden Straßen kommen und wieder in eine davon einfahren. Wer hier zurechtkommen will, muss Blickkontakt mit den anderen Autofahrern aufnehmen und sie, so heißt es in einem Ratgeber für Paris-Touristen, „mit einem an Arroganz grenzenden Blick einschüchtern und klarmachen: jetzt fahr ich!“

Wie realitätsnah dieses Bild ist, sei dahingestellt. Dass ein Computersystem allerdings mit einer solchen Aufgabe zumindest derzeit noch heillos überfordert ist, leuchtet ein. Während sich der autofahrende Mensch je nach Persönlichkeit vorsichtig oder wagemutig vortastet und durchkämpft, Gas gibt oder auf die Bremse tritt, ist das autonome Fahrsystem aus gutem Grund defensiv programmiert. Wenn es nicht weiter weiß, bleibt das Auto stehen. Zur Sicherheit.

Eine Strategie, die zwar Unfälle vermeidet, im konkreten Autofahreralltag hingegen keineswegs zum gewünschten Ergebnis führt. Der Arc de Triomphe wäre ganztägig nicht mehr befahrbar.

Dennoch: KI ist auch hier auf einem Erfolg versprechenden Weg. So hat das KI-Programm „Pluribus“ der Forscher Noam Brown und Tuomas Sandholm inzwischen das Bluffen beim Pokerspielen so gut drauf, dass es mehreren ausgebufften Poker-Experten aus Fleisch und Blut gleichzeitig das Wasser reichen kann. Damit nähert sich KI jenem Verhalten an, das den Menschen befähigt, auch in Grenz- oder nicht rational zu lösenden Situationen adäquat zu reagieren.

Unfallfrei durch Bangkok

Was den Reifegrad des autonomen Fahrens angeht, gibt es fünf allgemein anerkannte Levels. Aktuell befinden wir uns auf Level 2: teilautomatisiertes Fahren, oder zum Teil auch schon auf Level 3: hochautomatisiertes Fahren. Bis wir Level 5 erreichen – das autonome Fahren auf öffentlichen Straßen ohne Lenker und gegebenenfalls sogar ohne Insassen –, vergehen wahrscheinlich noch 30 bis 50 Jahre. Man darf nicht vergessen: Level 5 bedeutet, das autonome Fahrzeug muss auch im Innenstadtverkehr von Rom oder Bangkok – oder am Arc de Triomphe in Paris – klarkommen. Ohne mitten im Verkehr stehen zu bleiben und natürlich möglichst unfallfrei.

Wie schnell Level 5 tatsächlich erreicht wird, hängt zum einen davon ab, ob wir bis dahin noch einen dritten oder gar vierten KI-Winter erleben werden – nach dem ersten Anfang der 1970er-Jahre und dem zweiten Ende der 1980er-Jahre. Damals stockte die Entwicklung der künstlichen Intelligenz deutlich. Zum anderen wird eine wesentliche Rolle spielen, welche Entwicklung die Machine Learning Verfahren nehmen. Zu vermuten ist, dass es eine wie auch immer geartete Kombination aus den fünf großen Schulen geben wird, wie sie der renommierte Informatiker Pedro Domingos definiert hat:

  1. Konnektion

  2. Diese Schule orientiert sich an den Funktionsprinzipien von Hirnzellen und ihren Verknüpfungen. Das Ergebnis sind neuronale Netzwerke, die lernen, indem ihre Neurone Synapsen bilden oder verändern.

  3. Symbolik

  4. Sie hat ihre Wurzeln in der Logik. Die Grundidee ist, durch Logik von bekannten Fakten auf eine unbekannte Prämisse zu schließen. Beispiel: „Ich bin ein Mensch. Ich bin sterblich. Daraus folgt: Menschen können sterben.“

  5. Evolution

  6. Die Evolution ist das mächtigste uns bekannte Lernprinzip. Diese Schule setzt auf Programme, die die natürliche Selektion der Evolution simulieren. An die Stelle der Basenpaare, die bei Lebewesen die Erbanlagen weitertragen, treten dabei Bits.

  7. Bayes´ Schule

  8. Grundlage dieser Schule ist das Theorem des englischen Mathematikers Thomas Bayes. Lernen bedeutet hier, Hypothesen zu postulieren und sie an neue Beobachtungen anzupassen.

  9. Analogie

  10. Hier wird jede neue Beobachtung jener Kategorie zugeordnet, die die meisten ähnlichen beziehungsweise ähnlichsten Fälle enthält, die sogenannten „nächsten Nachbarn“.

    Welche Schule oder welche Kombination auch immer am Ende die besten Lernfortschritte bringt – klar ist: Bis KI das autonome Fahren möglich macht, ist noch ein erheblicher Lernzuwachs anhand virtueller Szenarien und auf Basis schnellerer Verfahren erforderlich. Und möglicherweise wird sich herausstellen, dass sich zwei Systeme nicht vertragen: von Menschen gelenkte Autos und computergesteuerte Fahrzeuge.

    Welche Schule oder welche Kombination auch immer am Ende die besten Lernfortschritte bringt – klar ist: Bis KI das autonome Fahren möglich macht, ist noch ein erheblicher Lernzuwachs anhand virtueller Szenarien und auf Basis schnellerer Verfahren erforderlich. Und möglicherweise wird sich herausstellen, dass sich zwei Systeme nicht vertragen: von Menschen gelenkte Autos und computergesteuerte Fahrzeuge.

     

    Hintergrund

    Komplexe Verkettung

    Wie komplex das Verkehrsgeschehen ist, das künstliche Intelligenz beherrschen muss, zeigt folgendes Beispiel: Die Fahrzeugkamera erfasst einen Ball, der vom Bürgersteig auf die Straße rollt. Der Algorithmus verbindet damit das Risiko eines hinterherrennenden Kindes und reduziert die Geschwindigkeit des Fahrzeugs durch Zurücknehmen des Gaspedals.

    Für das nun folgende Geschehen gibt es mehrere Optionen: Das hinterherlaufende Kind betritt die Straße – oder die Mutter hält es zurück. Vielleicht kommt auch gar kein Kind – oder es kommen zwei aus unterschiedlichen Winkeln… Für jede Kombination von Szenarien müssen die Algorithmen bewerten und berechnen, wie das Fahrzeug angemessen agiert.

    Nun kommt in der Realität nicht ein Ereignis allein: Der Ball rollt von rechts, eine Familie betritt die Straße von links. Ein Feuchtesensor meldet „rutschige Straße“. Der Abstand zum Ball ist kürzer als der Bremsweg. Ein Ausweichmanöver muss eingeleitet werden. Jetzt müssen die Algorithmen im Zusammenspiel richtige Entscheidungen treffen und die Mechanik sauber und unfallfrei steuern. Und das auch dann, wenn sich etwa Gegenstände wegen schlechter Lichtverhältnisse nicht eindeutig identifizieren lassen.

    Schließlich bleibt die wichtigste Entscheidung – und die muss die Maschine genauso fällen wie der Mensch: Die Geschwindigkeit muss der jeweiligen Situation so angepasst werden, dass das Fahrzeug rechtzeitig vor einem Unfall zum Stehen kommt oder sicher ausweichen kann – egal wie sich die Ereignisse entwickeln.

| Anzeige
| Anzeige

MEHR VON SILICON

| Anzeige
image beaconimage beaconimage beacon