News

KI Delta Learning

Final Event gibt einen umfassenden Einblick in das Forschungsprojekt

Das Förderprojekt KI Delta Learning liefert neue Forschungsergebnisse zur Skalierbarkeit von KI im Bereich autonomes Fahren. Am 09. und 10. März 2023 sind die Forschungsergebnisse des Verbundprojekts im Rahmen der Abschlussveranstaltung bei Mercedes-Benz in Stuttgart-Vaihingen von den 17 Projektpartnern präsentiert worden. Im Vordergrund standen Fachvorträge, Expertengespräche und Posterpräsentationen. Der erste Tag richtete sich an die Öffentlichkeit, der zweite Tag war den Mitgliedern der KI Familie vorbehalten. Die mehr als 115 Teilnehmer:innen vor Ort und Dutzende Zuschauer:innen online erhielten einen umfassende Einblicke in die über dreijährige Projektarbeit. Das Projekt endet offiziell am 30. April 2023.

Hoch- und vollautomatisierte Fahrzeuge sind mit einer großen Vielfalt komplexer Situationen in einer sich ständig weiterentwickelnden Mobilitätswelt konfrontiert. Ein großes Forschungsfeld stellt die Umfeldwahrnehmung (Perzeption) dar. In diesem Bereich ist KI eine Schlüsseltechnologie. Sie hat in den vergangenen Jahren große Fortschritte gemacht, mit denen die Umfeldwahrnehmung als Basis für Assistenzsysteme bis hin zur kompletten Übernahme von Fahrfunktionen deutlich weiterentwickelt werden konnten.

KI für die Anwendung im Bereich autonomes Fahren wurde bisher nur für bestimmte Verkehrsszenarien wie beispielsweise „Autobahnfahren bei gutem Wetter“ trainiert. In diesem Szenario (Domäne) arbeitet die KI zuverlässig. Damit sie in anderen Umgebungen wie beispielsweise „Autobahnfahren bei Regen“ funktioniert, müssen KI-Algorithmen bisher für diese neue Domäne erneut trainiert werden, was sehr hohe Entwicklungskosten verursacht. Im Projekt KI Delta Learning sind daher nicht zuletzt neue Ansätze des maschinellen Lernens untersucht worden, die ein effizienteres Training von KI-Modulen ermöglicht.

Effiziente KI-Trainingsmethode: Deltas lernen

Ziel des Förderprojektes war es, durch Übertragung von vorhandenem Wissen sogenannte Deltas zu lernen – also die unterschiedlichen Anforderungen zwischen einer vertrauten Domäne und einer neuen Zieldomäne. Das Lernen der Deltas hilft, die gegenwärtigen Lücken zu schließen, die den Technology Readiness Level (TLR) autonomer Fahrzeuge begrenzen und so den breiten Einsatz von KI im Bereich autonomes Fahren hemmt.

Im Projekt sind neue, disruptive KI-Trainingsmethoden untersucht, entwickelt und angewendet worden. Diese ermöglichen der KI, zusätzliche Anforderungen zu lernen und an den automobilen Kontext anzupassen. Wenn sich die Domäne verändert, werden bereits erlerntes Wissen sowie getestete und abgesicherte Entwicklungsstufen beibehalten. Vor dem Hintergrund immer kürzerer Innovationszyklen sowie im Hinblick auf die sich stetig verändernde Mobilität, erweist sich dieser Ansatz als effizient.

Zu den Deltas, die im Projekt adressiert wurden, gehören verschiedene Sensoren, unterschiedliche Verkehrsszenarien – von Landstraßen bis hin zu komplexen Stadtverkehren, verschiedene Länder, unterschiedliche Tageszeiten, Jahreszeiten und Wetterbedingungen, langfristige Verkehrsverschiebungen durch neue Mobilitätskonzepte, neuartige Straßenfahrzeuge und Geräte wie beispielsweise E-Scooter oder Lastenräder und nicht zuletzt die kontinuierliche Weiterentwicklung von KI-Methoden wie bessere Trainingsstrategien und effizientere neuronale Netzwerke.

Projektschwerpunkte: Daten, Transferlernen, Didaktik, automobile Eignung

Um die Grundlage für die Entwicklung in diesen Lernfeldern zu ermöglichen, wurde ein spezifischer, auf die Projektziele zugeschnittener Datensatz erzeugt und annotiert. Das ist notwendig, um die geforderten Deltas unter Berücksichtigung des Datenschutzes abzudecken. Aus diesem Grund wurden sowohl reale Fahrdaten aufgezeichnet als auch synthetische Daten erzeugt.

Transferlernen ist eine Methode des Maschinellen Lernens, mit der sich Domänenwissen übertragen lässt. Sie wird im automobilen Bereich immer wichtiger, weil sie die Genauigkeit der Perzeption autonomer Fahrzeugsystem verbessert. Im Projekt wurde die Methode angewendet um die Leistung von Fahrzeugen insgesamt zu verbessern.

Didaktik ermöglicht Lernen durch Strukturieren des Lernprozesses. Was in der Schule gilt, gilt auch für das Trainieren neuronaler Netze. Dafür werden annotierte Daten benötigt, was bisher durch Menschenhand erfolgt ist. Im Projekt wurden Ansätze entwickelt, um nicht nur mit weniger, sondern auch mit kaum bis gar nicht annotierten Daten lernen zu können. Hinzu kamen Ansätze für schnelleres Lernen durch optimierte Netzarchitekturen sowie verbesserte Lernprozesse.

Um KI-Systeme für die automobile Anwendung zu entwickeln hat sich allgemein durchgesetzt, dass KI-Funktionen im Labor entwickelt, trainiert und verifiziert werden, mit Fahrdaten, die zuvor aufgezeichnet wurden. Daraus ergeben sich zwei Probleme: Zum einen sind die Höchstleistungs-Computerhardware im Labor und die im Fahrzeug eingebettete Hardware sehr verschieden, und zum anderen können die Verkehrssituationen, auf die das Fahrzeug in der Realität trifft, durchaus von den aufgezeichneten Trainings- und Testdaten abweichen. Im Projekt KI Delta Learning wurden beide Probleme adressiert, um die Zuverlässigkeit von KI-Systemen für autonome Fahrfunktionen zu gewährleisten sowie die Robustheit von KI-Systemen gegenüber unerwarteten und unbekannten Szenarien zu erhöhen.  

Am Projekt waren über 300 Personen beteiligt. Die Forschungsarbeit brachte über 90 Publikationen hervor.

KI Delta Learning verfolgt einen kooperativen Forschungsansatz

KI Delta Learning ist eines von vier Projekten (KI Absicherung, KI Delta Learning, KI Wissen und KI Data Tooling) unter dem Dach der KI Familie. Die KI Familie wurde von der VDA Leitinitiative Autonomes und Vernetztes Fahren initiiert und entwickelt. Unter diesem Dach werden 80 Partner aus der Wissenschaft und der Industrie vom Bundesministerium für Wirtschaft und Klimaschutz gefördert.

Alle Projekte der KI Familie arbeiten zusammen. Man teilt praktisches Wissen in der vorwettbewerblichen Zusammenarbeit. Das ist essenziell in einem sich rasant verändernden Umfeld mit hoher Komplexität und starkem Wettbewerbsdruck. Ergebnisse über Projektgrenzen hinweg auszutauschen, bedeutet, schneller Wissen im Bereich Spitzentechnologie aufzubauen zum Nutzen der Industrie, der Forschung und der Gesellschaft. Das gemeinsame Verständnis, vorwettbewerblich Erkenntnisse zu teilen, hilft jedem Partner technologisch auf der Höhe der Zeit zu bleiben und vervielfacht Ressourcen und Investitionen jedes einzelnen.

Die Projektergebnisse finden Sie unter Veröffentlichungen, Tab Ergebnisse.

Fotos ©Jürgen Biniasch