Selbstfahrende Autos werden von Algorithmen des maschinellen Lernens angetrieben, die riesige Mengen an Fahrdaten benötigen, um sicher zu funktionieren. Aber wenn selbstfahrende Autos das Fahren auf die gleiche Weise lernen könnten wie Babys laufen lernen – indem sie andere um sich herum beobachten und nachahmen –, würden sie weit weniger gesammelte Fahrdaten benötigen. Diese Idee treibt den Ingenieur Eshed Ohn-Bar von der Boston University an, einen völlig neuen Weg für autonome Fahrzeuge zu entwickeln, um sichere Fahrtechniken zu erlernen – indem sie andere Autos auf der Straße beobachten, vorhersagen, wie sie auf ihre Umgebung reagieren, und diese Informationen verwenden, um ihre eigene Fahrentscheidungen.
Ohn-Bar, Assistenzprofessor am BU College of Engineering für Elektro- und Computertechnik und Junior Faculty Fellow am Rafik B. Hariri Institute for Computing and Computational Science & Engineering der BU, und Jimuyang Zhang, BU PhD Student in Elektro- und Computertechnik, präsentierten kürzlich ihre Forschungsergebnisse auf der Konferenz zu Computer Vision und Mustererkennung 2021. Ihre Idee für das Trainingsparadigma entstand aus dem Wunsch heraus, den Datenaustausch und die Zusammenarbeit zwischen Forschern auf ihrem Gebiet zu verbessern – derzeit benötigen autonome Fahrzeuge viele Stunden an Fahrdaten, um sicheres Fahren zu lernen, aber einige der weltweit größten Automobilhersteller behalten ihre enorme Reichweite. Datenmengen privat, um Wettbewerb zu verhindern.
„Jedes Unternehmen durchläuft den gleichen Prozess, bei dem es darum geht, Autos zu nehmen, Sensoren anzubringen, Fahrer für das Fahren der Fahrzeuge zu bezahlen, Daten zu sammeln und den Autos das Fahren beizubringen“, sagt Ohn-Bar. Der Austausch dieser Fahrdaten könnte Unternehmen dabei helfen, schneller sichere autonome Fahrzeuge zu entwickeln, sodass alle in der Gesellschaft von der Zusammenarbeit profitieren können. Künstlich intelligente Fahrsysteme benötigen so viele Daten, um gut zu funktionieren, sagt Ohn-Bar, dass kein einzelnes Unternehmen dieses Problem alleine lösen kann.
„Milliarden von Meilen [von auf der Straße gesammelten Daten] sind nur ein Tropfen in einen Ozean von realen Ereignissen und Vielfalt“, sagt Ohn-Bar. „Eine fehlende Datenprobe könnte jedoch zu unsicherem Verhalten und einem möglichen Absturz führen.“
Der von den Forschern vorgeschlagene Algorithmus für maschinelles Lernen schätzt die Blickwinkel und toten Winkel anderer Autos in der Nähe, um eine Karte der Umgebung aus der Vogelperspektive zu erstellen. Diese Karten helfen selbstfahrenden Autos, Hindernisse wie andere Autos oder Fußgänger zu erkennen und zu verstehen, wie andere Autos sich drehen, verhandeln und nachgeben, ohne gegen irgendetwas zu stoßen.
Durch diese Methode lernen selbstfahrende Autos, indem sie die Aktionen umliegender Fahrzeuge in ihre eigenen Referenzrahmen – ihren Algorithmus für maschinelles Lernen – mit neuronalen Netzen übersetzen. Diese anderen Autos können von Menschen angetriebene Fahrzeuge ohne Sensoren oder automatisch gesteuerte Fahrzeuge eines anderen Unternehmens sein. Da Beobachtungen von allen umliegenden Autos in einer Szene im Mittelpunkt des Trainings des Algorithmus stehen, fördert dieses Paradigma des „Lernens durch Beobachten“ den Datenaustausch und damit sicherere autonome Fahrzeuge.
Ohn-Bar und Zhang testeten ihren „Watch and Learn“-Algorithmus, indem sie autonome Autos, die von ihm gesteuert wurden, durch zwei virtuelle Städte navigieren ließen – eine mit einfachen Kurven und Hindernissen, die ihrer Trainingsumgebung ähneln, und eine andere mit unerwarteten Wendungen wie Fünf-Wege-Kreuzungen. In beiden Szenarien stellten die Forscher fest, dass ihr selbstfahrendes neuronales Netz nur sehr wenige Unfälle verursacht. Mit nur einer Stunde Fahrdaten zum Trainieren des Machine-Learning-Algorithmus kamen die autonomen Fahrzeuge in 92 Prozent der Fälle sicher ans Ziel.
„Während die bisherigen besten Methoden Stunden benötigten, waren wir überrascht, dass unsere Methode mit nur 10 Minuten Fahrdaten lernen konnte, sicher zu fahren“, sagt Ohn-Bar.
Diese Ergebnisse seien vielversprechend, sagt er, aber es gebe noch einige offene Herausforderungen im Umgang mit komplizierten städtischen Umgebungen. „Es ist sehr schwierig, drastisch unterschiedliche Perspektiven auf die beobachteten Fahrzeuge, Geräusche und Okklusion bei Sensormessungen und verschiedene Fahrer zu berücksichtigen“, sagt er.
Mit Blick auf die Zukunft sagt das Team, dass ihre Methode, autonomen Fahrzeugen das Selbstfahren beizubringen, auch in anderen Technologien verwendet werden könnte. "Lieferung Roboter oder sogar Drohnen könnten alle lernen, indem sie andere KI-Systeme in ihrer Umgebung beobachten“, sagt Ohn-Bar.
