Autonomes Fahren bezieht sich auf die Fähigkeit von Fahrzeugen, ohne menschliches Eingreifen zu navigieren und zu fahren.

Autonome Fahrzeuge nutzen verschiedene Arten von Sensoren, Algorithmen und Computermodellen, um ihre Umgebung zu analysieren und darauf basierend Entscheidungen zu treffen, die das Fahren sicherer und effizienter machen sollen.

Autonomes Fahren ist eng mit Künstlicher Intelligenz verbunden, da KI-Algorithmen und -Modelle eine wichtige Rolle bei der Entwicklung und Umsetzung von autonomen Fahrsystemen spielen.

Anhand der Automatisierungsstufen kann man ableiten, inwieweit ein System automatisiert bzw. autonom ist. Stufe 5 kennzeichnet dabei autonome Systeme, die ohne Eingriff des Menschen Aufgaben selbstständig ausführen.

Autonomes Fahren ist streng genommen eine Fusionierung verschiedener („klassischer“) Use Cases, da solche Systeme verschiedene Anforderungsbereiche haben die sie erfüllen müssen. Damit ein Fahrzeug autonom navigieren kann, muss es verschiedenen Prozesse bearbeiten können:

• Pfadplanung - als Basis der Navigierung von A nach B.
• Condition Monitoring - für die Überwachung des Fahrzeugsystems und der Fahrzeugumgebung.
• Predictive Maintenance - für die Meldung zukünftige Probleme im Fahrzeugsystem.
• (Virtueller Agent - zur Interaktion mit Fahrzeugnutzer)

Um sicher und effizient zu navigieren, verarbeiten KI-Systeme in autonomen Fahrzeugen verschiedene Daten in Echtzeit. Hierzu zählen der Straßenverlauf, Straßenschilder, Ampeln sowie die Bewegungen der anderen Verkehrsteilnehmer und vieles mehr. Das KI-System muss lernen, wie es diese Daten interpretieren kann. Hierfür trainieren die Entwickler das KI-System mit sehr umfassenden Datensätzen und testen dessen Entscheidungen. Mit fortschreitenden Tests entwickelt das KI-System beispielsweise die Fähigkeit, im Straßenverkehr sicher zu navigieren und bei unvorhergesehenen Ereignissen wie dem abrupten Abbremsen eines anderen Autos schnell zu reagieren.

Voraussetzung für autonomes Fahren sind Ansätze des Computer Vision (KI-basierte Bildverarbeitung), um die Umwelt für das System greifbar und bewertbar zu machen. Da es sich bei derartigen Use Cases um hochkomplexe Sachverhalte handelt, die ein umfangreiches Wissen voraussetzen, müssen verschiedene Methodiken bzw. Lernansätze für spezifische Teilbereiche kombiniert werden. Wie umfangreich ein Training für ein autonom agierendes Fahrzeug sein muss, ist auch abhängig vom Einsatzgebiet. Beispielsweise muss ein autonomes Fahrzeug in kontrollierten Produktions- oder Lagerhallen, weniger Anforderungen gerecht werden als in der natürlichen Umwelt.

Damit derartige Systeme aber verschiedene Teilaufgaben in „unbekannten“ Umgebungen erfüllen können, müssen sie dennoch umfangreich und divers lernen.

• Supervised Learning - für eine geregelte Objekterkennung die auf Datenlabeling basiert wie z.B. Verkehrsschilder.
• Unsupervised Learning - für die Erkennung von Muster und Strukturen in Umgebungen wie z.B. Fahrbahn oder Nicht-Fahrbahn.
• Semi-Supervised Learning - für die Optimierung der Genauigkeit in der Objekterkennung, wenn nur ein Teil der Daten gelabelt sind (Kosteneinsparung).
• Reinforcement Learning - für erlernen von Fahrtaktiken z.B. das navigieren bei komplexen Verkehrsbedingungen.

Aufgrund des hohen Komplexitätsgrades werden die jeweiligen maschinellen Lernansätze über mehrere Schichten hinweg bzw. über Ansätze des Deep Learning realisiert. Durch eine Differenzierung an einer Vielzahl von kategorisierten Merkmalen über die Schichten, ermöglicht es den Systemen eine verbesserte Wahrnehmung der Umwelt.

• Convolutional Neural Networks (CNN) - für die Bildverarbeitung und Objekterkennung z.B. Fahrzeuge oder Fußgänger
• Recurrent Neural Networks (RNN) - für die Vorhersage des Verhaltens anderer Verkehrsteilnehmer z.B. Signale durch blinken.
• Autoencoder - für die Erkennung von Anomalien und ungewöhnliche Verkehrssituationen wie z.B. Unfälle.

• Reduzieren von Unfällen
• Erhöhung der Effizienz in Verkehrsströmen.
• Verbesserung der Mobilität (u.a. für Menschen).
• Erhöhte Sicherheit.
• Zuverlässigkeit der Technologie und Reduzierung des menschlichen Versagens.
• Eventuelle Dienstleister, Polizei und Krankenwagen mit Wegerecht, eine Verkehrsleitung usw. besitzen keine Möglichkeit, in die Fahrzeugführung einzugreifen.
• Statische Szenerie kann vielseitig sein und eine Herausforderung für den Fahrroboter darstellen (Verdeckte Fahrstreifen durch Schnee/Bäumen von Schülern oder Fahrspuren)
• Ressourcenoptimierung durch optimale Fahrwege.
• Flüssige Verkehrs- und Logistikströme

• "KUKA" - Smart Factory

• Autonomes Fahren (2015)

  Markus Maurer, J. Christian Gerdes, Barbara Lenz, Hermann Winner

  Springer Berlin Heidelberg DOI:10.1007/978-3-662-45854-9