Das Selbstfahrende Auto

Das derzeit wahrscheinlich heißeste Thema in der Automobilindustrie? Selbstfahrende Autos. Damit die Wirklichkeit werden, müssen die Fahrzeuge Hindernisse erkennen. Grundlage hierfür: Terabytes an Bild- und Sensordaten, die Zulieferer und Hersteller während der Entwicklungsphase täglich auswerten müssen, um Objekte zu klassifizieren. Wie lässt sich das am schnellsten bewerkstelligen?

Ein fahrendes Auto zu erkennen ist für einen mit Kameras ausgestatteten Artgenossen noch vergleichsweise einfach. Was aber ist mit einem Wohnwagenanhänger? Einem geschobenen Fahrrad oder einem, das nur am Laternenpfahl an der Kreuzung steht? Von Fußgängern (alt, jung, schnell, stehend, mit Kinderwagen) ganz zu schweigen. Selbstfahrende Autos müssen also jede Menge Objekte einwandfrei erkennen und unterscheiden können, um die richtige Entscheidung zu treffen: Bremsen, ausweichen, weiterfahren. Erschwert wird das Ganze noch durch wechselnde Wetter- und Lichtbedingungen.

Um ihren Fahrzeugen das Sehen beizubringen, müssen Hersteller, Plattformbetreiber und Zulieferer möglichst viele Varianten der möglichen Objekte erfassen und klassifizieren. Das erledigen sie, in dem sie Autoflotten jährlich Millionen von Kilometer abspulen lassen. Die mit Kameras sowie Lidar (Light Detection And Ranging)-Sensoren bestückten Autos sammeln so während der Fahrt das notwendige Datenmaterial, in dem eine Software dann nach den gewünschten Objekten sucht und sie markiert.

Die Herausforderung hierbei sind die gewaltigen Datenmengen: Eine einzelne Kamera produziert täglich gut 1,6 Terabyte Bilddaten. Da Flotten aus einer zweistelligen Anzahl von Fahrzeugen bestehen, die jeweils zwei und mehr Kameras an Bord haben, kommen rasch gewaltige Datensammlungen zustande. Zu denen sich noch die vom Lidar, einer Art Laser-Scanner, der dreidimensionale Objekte erfasst, erzeugten Daten gesellen. Diese sind zwar weniger umfangreich als die Kamerabilder, dafür aber komplexer auszuwerten.

Angesichts der Datenberge ist es offensichtlich, dass nur Software das sogenannte Labeling, also das Markieren der Objekte, erledigen kann. Labeling-Tools bringen einen Grundstock an bekannten Objekten mit und fordern menschliche Bediener nur dann zur Mitarbeit auf, wenn sie sich unsicher sind. Damit dieser Prozess möglichst effektiv und effizient arbeitet, sind zwei Faktoren wichtig: Rechenleistung und möglichst präzise Erkennung.

Ersteres bietet die Cloud reichlich. Aus diesem Grund lässt der Dienstleister FEV Europe GmbH sein Labeling-Tool die aufwändigen Rechenprozesse auch auf Microsoft Azure ablaufen. Die dort verfügbaren Cluster aus Nvidia-Grafikprozessoren sind ideal geeignet, um die großen Datenmengen der Fahrzeugflotten zu durchforsten. Zudem müssen Kunden nur die Rechenleistung bezahlen, die sie auch abrufen und keine Infrastruktur unterhalten, die dann doch nur schnell veraltet.

Die notwendige Präzision erreicht Labeling-Software durch maschinelles Lernen: Das neuronale Netz wird stetig besser. Jedes Mal, wenn ein menschlicher Bediener ein von der Software nicht erkanntes Objekt korrekt zuweist, verdichtet sich das neuronale Netz – die Erkennungsraten steigen. Cloud-typisch sind die neuronalen Netze nach Mandanten voneinander getrennt, so dass es keine Vermischung gibt.

Um mehr darüber zu erfahren, wie die Cloud und Machine Learning dem Automobilsektor bei seiner großen Herausforderung rund ums selbstfahrende Auto unter die Arme greifen, empfehlen wir einen Klick auf diesen Link. Er führt zum Fallbeispiel der oben erwähnten FEV Europe GmbH. Gute Fahrt!