Schließen ✖

Fahrzeugverkauf im Lockdown

Fahrzeugverkauf wieder geöffnet
(bei Inzidenz 100 bis 150 nach vorheriger Terminvereinbarung unter 08223-826 und vorlage von negativem Test).

Werkstatt weiterhin normal geöffnet.

News

Neues Frühwarn-System für autonome Fahrzeuge

Mit einem neuen Frühwarn-System sollen automatisierte Autos sollen künftig sicherer fahren als der Mensch. Dabei könnte auch ein KI-System der TU München helfen.

 

Ein neues Frühwarn-System für autonome Fahrzeuge soll die Teilnahme am Straßenverkehr sicherer machen. Symbolbild: Continental

Ein neues Frühwarn-System für autonome Fahrzeuge soll die Teilnahme am Straßenverkehr sicherer machen. Symbolbild: Continental

Ein Forschungsteam der Technischen Universität München (TUM) hat ein neues Frühwarnsystem für autonome Fahrzeuge entwickelt. Es lernt mit Künstlicher Intelligenz (KI) aus Tausenden realen Verkehrssituationen. Eine Studie in Zusammenarbeit mit der BMW Group zeigt: Das System kann bereits sieben Sekunden im Voraus vor einer potenziell kritischen Situation warnen. Und zwar mit mehr als 85 Prozent Genauigkeit.

Komplexe Situationen im Verkehr
Um künftige selbstfahrende Autos sicher zu machen, setzen viele Entwicklungen auf ausgefeilte Modelle. Mit diesen können die Fahrzeuge das Verhalten aller Teilnehmerinnen und Teilnehmer im Straßenverkehr beurteilen. Was aber, wenn das für manche komplexe oder unvorhergesehene Situationen aktuell noch nicht ausreicht? Diese Frage stellten sich Forscher der Technischen Universität München.

Neuer Ansatz mit KI
Ein Team um Prof. Eckehard Steinbach, Inhaber des Lehrstuhls für Medientechnik und Mitglied des Board of Directors der Munich School of Robotics and Machine Intelligence (MSRM) der TUM, verfolgt einen neuen Ansatz. Dank Künstlicher Intelligenz (KI) kann ihr System aus vorausgegangenen Situationen lernen, in denen selbstfahrende Testfahrzeuge im realen Straßenverkehr an ihre Systemgrenzen gestoßen sind. Das sind Situationen, in welchen der Mensch wieder die Kontrolle über das Auto übernimmt. Entweder, weil das Auto ihn zum Eingreifen aufgefordert hat oder weil er sich selbst aus Sicherheitsgründen dazu entschieden hat.

Mustererkennung durch RNN
Dabei erfasst die Technologie mit der Hilfe von Sensoren und Kameras die Umgebung und zeichnet den Zustand des Fahrzeugs auf. Also beispielsweise den Stand des Lenkrads, die Beschaffenheit der Straße, das Wetter, die Sicht und die Geschwindigkeit. Die auf einem sogenannten rekurrenten neuronalen Netz (RNN) basierende KI lernt, aus diesen Daten Muster zu erkennen. Wird dieses Muster in einer neuen Fahrsituation wiedererkannt, wird der Fahrer oder die Fahrerin frühzeitig gewarnt.

Neues Frühwarn-System bietet Sicherheitsfunktion
„Um Fahrzeuge autonomer zu machen, untersuchen viele der bisherigen Methoden, was die Autos bislang vom Verkehr verstehen, und verbessern dann die Modelle, nach denen sich die Autos richten. Der große Vorteil unserer Technologie ist: Wir ignorieren völlig die Meinung des Autos und schauen stattdessen rein auf die Daten des tatsächlichen Geschehens und finden Muster“, sagt Steinbach. „Die KI entdeckt so auch potenziell kritische Situationen, die in Modellen vielleicht nicht oder noch nicht erkannt wurden. Unser System bietet damit eine Sicherheitsfunktion, die weiß, wann und wo die Autos Schwächen haben.“

Warnung bis zu sieben Sekunden im Voraus
Das Forschungsteam hat die Technologie gemeinsam mit der BMW Group und deren automatisiert fahrenden Entwicklungsfahrzeugen im öffentlichen Straßenverkehr getestet. Dabei wurden rund 2.500 Situationen, in denen die Fahrerin oder der Fahrer eingreifen mussten, ausgewertet. Die Studie ergab, dass eine Vorhersage des neuen Frühwarn-System für autonome Fahrzeuge potenziell kritischer Situationen bereits mit einer Genauigkeit von über 85 Prozent möglich ist. Bis zu sieben Sekunden vor deren Eintreffen.

Datenerhebung ohne Aufwand
Voraussetzung für das Funktionieren der Technologie ist eine große Datenmenge. Schließlich kann die KI nur Erfahrungen mit der Systemgrenze erkennen und vorhersagen, die bereits gemacht wurden. Angesichts der hohen Zahl an Entwicklungsfahrzeugen würden dabei Daten quasi von allein erzeugt, sagt Studienautor Christopher Kuhn: „Jedes Mal, wenn es bei Testfahrten zu einer potenziell kritischen Situation kommt, fällt ein neues Trainingsbeispiel für uns ab.“ Die zentrale Speicherung der Daten mache es möglich, dass jedes Fahrzeug aus den Aufzeichnungen der Flotte lernen kann.