Speaker Interviews
Einsatz von Deep Learning für die AV-Simulation
Cognata
Danny Atsmon, CEO von Cognata, beschreibt den langen (virtuellen) Weg, der im Bereich Simulation vor uns liegt, bis wir wirklich sichere autonome Fahrzeuge garantieren können, die jede Situation erfolgreich meistern oder zumindest auf derselben Ebene wie menschliche Fahrer agieren können.
Hören Sie sich seinen Vortrag „Grenzen überwinden – Simulation versus reale Welt“ auf dem Autonomous Vehicle Test & Development Symposium an. Erwerben Sie hier Ihren Teilnehmerausweis.
Erzählen Sie uns mehr über Ihren Vortrag.
Eine der größten Herausforderungen für die AV-Industrie besteht in Training und Validierung des autonomen Fahrzeugkerns durch eine große Anzahl von Tests. Eine Expertenkommission der RAND Corporation ist der Meinung, dass die Hersteller autonomer Fahrzeuge ihre autonomen Softwarestacks auf einer Strecke von etwa 11 Mrd. Meilen testen müssen, damit diese eine Ebene erreichen, auf der sie das Fahrzeug so sicher wie ein menschlicher Fahrer navigieren könnten. Simulationssoftware wird eine wichtige Rolle bei der Beschleunigung der Entwicklung von Fahrerassistenzsystemen und autonomen Fahrzeugen spielen. Neben dem Problem der Größenordnung sind die Integrität der Daten und ihre Ähnlichkeit mit der Realität (Grad an Realismus) ein Schlüsselfaktor für die Verringerung der Notwendigkeit von kostspieligen physischen Straßentests und für die drastische Verkürzung der Markteinführungszeit.
In meinem Vortrag werde ich eine mathematische Matrix vorstellen, die eine quantitative Möglichkeit der Beurteilung der Simulationsleistung im Vergleich mit realen Daten bietet. Außerdem zeige ich auf, wie eine geeignete Simulation beruhend auf Techniken des Deep Learning erzeugt werden kann.
Welche Fortschritte haben Sie in puncto KI erzielt?
Cognata verwandelte reale Daten in nützliche Assets für die Simulation, indem es einen „digitalen Zwilling“ der realen Welt erzeugt, darunter reale Verkehrsmodelle, die auf der Analyse von Kamera-Streams beruhen. Darüber hinaus verwenden wir Sensoremulation, die sich auf tatsächliche Sensorausgaben stützt. Cognata nutzt KI, unbeaufsichtigtes Lernen und tiefe neuronale Netze, um diese fortschrittlichen Transformationen und technologischen Innovationen zu ergänzen.
Welche Hindernisse gilt es in der Simulation noch zu überwinden?
Hauptsächlich geht es darum, so viele Grenzfälle zu identifizieren wie möglich, und zwar mit zunehmender Geschwindigkeit und einer Skalierung bis ins nahezu Unendliche. Das heißt, jedes Szenario muss alle Permutationen durchlaufen – bei verschiedenen Verkehrs- und Wetterbedingungen und unter Berücksichtigung unterschiedlicher Fahrkulturen.
Dazu müssen wir in der Lage sein, äußerst realistische Umgebungen zu schaffen, unterschiedliche Fahrkulturen beruhend auf geografischen Verkehrsmustern zu replizieren und die Fähigkeiten der Sensor- und Kameraemulation enorm zu steigern. Dies alles muss im großen Stil, aber gleichzeitig rein künstlich ablaufen. Eine riesige Aufgabe!