In einer sich ständig weiterentwickelnden Mobilitätswelt sind hoch- und vollautomatisierte Fahrzeuge mit einer Vielfalt komplexer Situationen konfrontiert. Ein großes Forschungsfeld im Bereich des autonomen Fahrens stellt die Umfeldwahrnehmung dar. In diesem Bereich ist KI eine Schlüsseltechnologie, die bisher nur für bestimmte Verkehrsszenarien wie beispielsweise „Autobahnfahren bei gutem Wetter“ trainiert wurde.

In diesem Szenario (auch Domäne genannt) arbeitet die KI zuverlässig. Damit sie in anderen Umgebungen wie beispielsweise „Autobahnfahren bei Regen“ funktioniert, müssen KI-Algorithmen für diese neue Domäne erneut trainiert werden, was sehr hohe Entwicklungskosten verursacht. Im Projekt KI Delta Learning sind daher nicht zuletzt neue Ansätze des maschinellen Lernens untersucht worden, die ein effizienteres Training von KI-Modulen ermöglichen.

KI lernt auf verschiedene Verkehrsszenarien zu reagieren

Ziel des Förderprojektes war es, durch Übertragung von vorhandenem Wissen sogenannte Deltas zu lernen – also die unterschiedlichen Anforderungen zwischen einer vertrauten Domäne und einer neuen Zieldomäne. Das Lernen der Deltas hilft, die gegenwärtigen Lücken zu schließen, die den sogenannten „Technology Readiness Level (TRL)“ – also: Wie reif für den Einsatz ist die Technologie? – autonomer Fahrzeuge begrenzen, und so den breiten Einsatz von KI im Bereich des autonomen Fahrens hemmen.

Im Projekt sind neue KI-Trainingsmethoden untersucht, entwickelt und angewendet worden. Diese ermöglichen der KI, zusätzliche Anforderungen zu lernen und an den automobilen Kontext anzupassen. Zu den Deltas, die im Fokus standen, gehören verschiedene Sensoren, unterschiedliche Verkehrsszenarien – von Landstraßen bis hin zu komplexen Stadtverkehren, verschiedene Länder, unterschiedliche Tages- und Jahreszeiten und Wetterbedingungen, langfristige Verkehrsverschiebungen durch neue Mobilitätskonzepte, neuartige Straßenfahrzeuge und Geräte wie beispielsweise E-Scooter oder Lastenräder und nicht zuletzt die kontinuierliche Weiterentwicklung von KI-Methoden wie bessere Trainingsstrategien und effizientere neuronale Netzwerke.

Wuppertaler Methoden erweitern die Grenzen der künstlichen Intelligenz

Die Wissenschaftler*innen der Bergischen Universität um Prof. Dr. Hanno Gottschalk, Dr. Matthias Rottmann und Dr. Karsten Kahl haben verschiedene Methoden entwickelt, um den Problemen von KI-Systemen im Kontext des automatisierten Fahrens zu begegnen. KI-Funktionen besitzen in der Regel keine Möglichkeit, mit unbekannten Objekten oder sich ändernden Umgebungen umzugehen. Für diese beiden Problemstellungen wurden an der Bergischen Universität neue Methoden entwickelt, die für gängige KI-Systeme Abhilfe schaffen können. Ferner wurden Methoden entwickelt, um KI-Systeme ressourcensparsamer zu gestalten. Die entwickelten Methoden reduzieren den Speicherbedarf gängiger KI-Systeme deutlich.

Im Projekt KI Delta Learning arbeitete die Bergische Universität gemeinsam in einem Forschungskonsortium, das neben deutschen Automobilherstellern auch technologisch führende Automobilzulieferer, Tech-Start-ups und Forschungseinrichtungen umfasste. KI Delta Learning ist eines von vier Projekten (KI Absicherung, KI Delta Learning, KI Wissen und KI Data Tooling) unter dem Dach der KI Familie. Die KI Familie wurde von der VDA Leitinitiative Autonomes und Vernetztes Fahren initiiert und entwickelt. Unter diesem Dach werden 80 Partner aus der Wissenschaft und der Industrie vom Bundesministerium für Wirtschaft und Klimaschutz gefördert.

Die ausführlichen Forschungsergebnisse finden Sie hier: www.ki-deltalearning.de

Kontakt:
Dr. Matthias Rottmann
Fakultät für Mathematik und Naturwissenschaften
Telefon 0202/439-2033
E-Mail rottmann[at]uni-wuppertal.de