Verbinde die Vorteile und eliminiere die Nachteile – evolutionär haben wir Menschen erlernt, wie man Wissen schafft und Fortschritt gestaltet. Mit Feuer und Wasser zur Dampfmaschine, von der Entdeckung der elektronischen Leitfähigkeit und Magnetkraft zu Elektromotoren. Aus einem Netzwerk von vier Rechnern das Aparnet. Oder von der Hebbsche Lernregel und Backpropagation zur Renaissance künstlicher Neuronaler Netze.  

Heute ebnen KI-basierte Verfahren den Weg zum autonomen Fahren. Das vom BMWI geförderte Forschungsprojekt KI Wissen untersucht und entwickelt in diesem Kontext Methoden für die Integration von bestehendem Wissen in die datengetriebenen KI-Funktionen autonomer Fahrzeuge.  

Nachdem wir im März über den Erhalt der Förderung berichtet hatten, erklären wir in diesem Beitrag näher, welcher Ansatz dem Forschungsprojekt zugrunde liegt und wie genau Herausforderungen des autonomen Fahrens gelöst werden.

KI Wissen: ein hybrider Ansatz für neuartige KI-Modelle im autonomen Fahren  

Die am weitesten verbreiteten KI-Verfahren basieren auf großen Mengen von Trainingsdaten. In der Trainingsphase wird auf Experteneingriffe verzichtet und die KI ausschließlich durch Daten in einem kontinuierlichen Prozess optimiert. Denn die Erhebung und Aufbereitung von Daten ist sehr aufwendig und schlussendlich sehr teuer. Zudem besitzen datenbasierten KI-Modelle einen Black-Box-Charakter, deren Entscheidungsfindung nicht immer direkt nachvollzogen werden kann. Zur Lösung dieser Probleme konzentrieren sich bisherige Forschungsansätze auf die Optimierung der für das Training notwendigen Daten. 

Einen neuartigen Weg, um diese Schwachpunkte zu eliminieren, schlägt das Forschungsprojekt KI Wissen ein: Zum Einsatz kommt ein hybrider Ansatz durch die Verknüpfung von datenbasierten Verfahren mit wissensbasierten Methoden.  

Es wird also erforscht wie sich bekanntes, für den Verkehrskontext relevantes Wissen in KI-Systeme einbinden lässt. Dadurch wird eine komplett neue Trainings- und Validierungsbasis für KI-Modelle des autonomen Fahrens definiert.  

Projektstruktur der Forschungsinitiative 

Die Projektstruktur der Forschungsinitiative teilt sich in vier Module auf und konzentriert sich auf die folgenden Kerninnovationen: 

Wissensintegration

Hierbei wird relevantes Wissen für den Verkehrskontext identifiziert, systematisiert und aufbereitet. Diese Wissensbasis im Verkehrskontext wird nach drei Arten differenziert: mathematisch-physikalischen Gegebenheiten, soziale Normen sowie Weltwissen im Straßenverkehrskontext.   

Wissensextraktion

Verschiedene Methoden zur Extraktion von Wissen werden untersucht, adaptiert und weiterentwickelt, damit diese für den Anwendungsfall des autonomen Fahrens sinnvoll angewendet werden können. Dazu zählen beispielsweise die Konzeptextraktion aus Modellen, oder Modelle mit einer direkten strukturierten Ausgabe. Die Extraktion dient also dem Erkennen und Verwenden von neuem erworbenen Wissen einer KI und dazu, dieses mit bestehendem zu vergleichen. 

Wissenskonformität

Hierbei geht es um die Entwicklung von Methoden, die die Ausgaben von KI-Systemen auf ihre Konformität im Verhältnis zu bestehendem Wissen überprüfen und somit die Plausibilisierung und Absicherung von KI-Funktionen autonomer Fahrzeuge unterstützen. 

Integration und Demonstration

Die im Projekt entwickelten Funktionen, Komponenten und Methoden werden in drei Use Cases definiert und in einem Fahrsimulator für autonomes Fahren demonstriert.  

Es entsteht also ein umfassendes Ökosystem, das durch dezidierte Forschung und Entwicklung die Herausforderungen autonomer Fahrsysteme grundlegend angeht: eine geringe Datengrundlage, die Erhöhung der Stabilität der trainierten KI auf Störungen der Daten, die Dateneffizienz, die Plausibilisierung und die Absicherung von KI-gestützten Funktionen sowie die Steigerung der funktionalen Güte. 

[at] ist Technologie-Provider der Projektgemeinschaft  

KI Wissen ist ein Projekt der KI Familie, zu der KI Delta Learning, KI Absicherung und KI Data Tooling gehören. Das von der VDA-Leitinitiative „autonomes und vernetztes Fahren“ initiierte Forschungsprojekt wird für eine Laufzeit von 36 Monaten vom Bundesministerium für Wirtschaft und Energie gefördert und setzt auf 16 hochspezialisierte Projektpartner aus Deutschland. [at] unterstützt das innovative Projektumfeld KI Wissen als Technologie-Experte.  

Dabei versuchen unsere Spezialisten basierend auf Auto-Encoder ein differenzierteres Bild von Black-Box Modellen zu entwickeln und getroffene Entscheidungen lokal erklärbar zu machen. Konkret soll auf der Basis von Bild und/oder Sensordaten des autonomen Fahrzeugs und mithilfe von modernen Textklassifikationsverfahren versucht werden, Fahrsituationen zu unterteilen in gefährliche,  bedenkliche und normale Situationen. 

Dafür wird vorhandenes Wissen über Daten vor und/oder während des Modelltrainings aus dem Datensatz selbst extrahiert. Das Ergebnis ist eine Konformitätsbewertungen durch Messung der Ähnlichkeit zwischen Vorhersage und extrahiertem Wissen. Dies führt wiederum dazu, dass diese Ergebnisse dazu verwendet werden können, um Konformitätswarnungen, Trainingsdatenauswahl, Modellverbesserung anzustoßen.