Detailergebnis zu DOK-Nr. 80435
KI-FLEX: Autonomes Fahren, sicher und zuverlässig: Rekonfigurierbare Hardwareplattform zur KI-basierten Sensordatenverarbeitung für das autonome Fahren
| Autoren |
B. Schäufele M. Rothe P. Holzinger S. Pfenning J. Pfeifer J.N. Hark C. Reuter H.J. Stolberg |
|---|---|
| Sachgebiete |
0.11 Datenverarbeitung 6.3 Verkehrssicherheit (Unfälle) 6.7.2 Verkehrsbeeinflussung außerorts, Verkehrsmanagement, Fahrerassistenzsysteme |
Internationales Verkehrswesen 76 (2024) Nr. 1, S. 64-68, 7 B, 7 Q
Automatisiertes Fahren gewinnt zunehmend an Bedeutung. Der flächendeckende Einsatz von automatisierten Fahrsystemen, insbesondere in städtischen Gebieten, ist jedoch immer noch ein hochaktuelles Forschungsthema. Künstliche Intelligenz (KI) wird dabei eingesetzt, um die Umgebung der Fahrzeuge zu erfassen. Der im Projekt KI-Flex als ASIC entwickelte flexible Multi-Core-Deep-Learning-Beschleuniger ist kleiner und energiesparender als herkömmliche KI-Systeme. Mit an diese Hardware angepasste KI-Algorithmen können damit Objekte hochpräzise erkannt werden. In den letzten Jahren erfährt automatisiertes Fahren eine hohe Aufmerksamkeit sowohl in der Industrie und Forschung als auch in der öffentlichen Wahrnehmung. Moderne Fahrzeuge haben schon automatisierte Funktionen in Serienmodellen, wie zum Beispiel der Drive Pilot von Mercedes-Benz. Die bereits erhältlichen Systeme beschränken sich jedoch auf bestimmte Bereiche, zum Beispiel nur für Autobahnfahrten oder bis zu einer bestimmten Höchstgeschwindigkeit, wie aktuell 60 km/h beim Drive Pilot. Der flächendeckende Einsatz von automatisierten Fahrsystemen, vor allem im urbanen Bereich, bleibt daher ein Forschungsthema. Die wesentlich höhere Komplexität des Stadtverkehrs gegenüber einfacheren Umgebungen, wie Landstraße oder Autobahn, stellt dabei große Herausforderungen. Da die Möglichkeiten der Szenarien und Situationen nahezu unendlich groß sind, kann ein solches System nicht einfach regelbasiert arbeiten. Stattdessen sind KI-Ansätze üblich, bei denen das System anhand vorgegebener Trainingsdaten selbständig lernt. Die am häufigsten anzutreffenden Verfahren basieren entweder auf dem "End-to-End"-Prinzip oder dem "Sense-Plan-Act"-Prinzip.