Schwerpunkte

Adaptive Anwendungen im Connected Car

Das smarte Auto lernt von selbst

10. November 2020, 12:01 Uhr   |  Von Mike Potts

Das smarte Auto lernt von selbst
© Molex

Eine Vision steht in der Automobilbranche über allen: Die Idee des unfallfreien Fahrens. Dazu müssen menschliche Fehler minimiert werden. Voraussetzung dafür ist ein »lernfähiges« vernetztes und (teil-)autonomes Fahrzeug, das sowohl aktuelle Umstände als auch vorherige Vorkommnisse berücksichtigt.

»Zero Death/Zero Accidents«, also keine Unfälle und keine Verkehrstoten ist das Credo der Automobilbranche – das Ziel, das alle ansteuern. Damit Fahrzeuge Gefahrensituationen besser einschätzen können, mit bereits bekannten Situationen abgleichen und erprobte Verhaltensweisen auf neue Gegebenheiten anwenden können, kommt Machine Learning mittels adaptiver Anwendungen zum Einsatz.

Unter adaptiven Anwendungen versteht man jede funktionale Anwendung im Fahrzeug – zum Beispiel hochpräzises GNSS, Bremsen, Lenken, Beschleunigen oder Verzögern – die schnell in Fahrzeugsensoren verarbeitet werden kann, um ein gewünschtes Ergebnis oder die Positionierung des Fahrzeugs zu beeinflussen. Diese Anwendungen sind dann in der Lage, auf Grundlage der Sensoren und deren Daten Rückschlüsse zu ziehen und bestimmte Situationen zu erlernen und zukünftig dementsprechend zu reagieren. Sie lassen sich mit einem Fahrlehrer vergleichen, der seinem Fahrschüler anfangs noch Hinweise gibt, die er beachten muss, um ihn schlussendlich dazu zu bringen, eigene Entscheidungen zu treffen und selbstständig zu fahren.

Adaptive Anwendungen, ähnlich wie Machine-Learning-Anwendungen in der Industrie, bekommen dafür anfangs Informationen in Form von künstlicher Intelligenz von Hochleistungsrechnern aus dem Backoffice, von anderen Fahrzeugen oder per Sensor Sharing und lernen so, wie sich das Fahrzeug in einer bestimmten Situation verhalten muss. Das Netzwerk ist in diesem Fall also der Fahrlehrer, der sein Wissen an das Auto weitergibt. Kommt das Fahrzeug erneut in eine ähnliche Situation, weiß es, wie es sich verhalten muss – und kann so beispielsweise die Geschwindigkeit in einem Baustellenbereich automatisch verringern. Es wird also eine intelligente Basis basierend auf den KI-Informationen aus dem Backoffice aufgebaut, die dank Sensor Sharing auch mit anderen Fahrzeugen geteilt wird. So soll das Fahrzeug den Fahrer unterstützen, die menschlichen Reaktionszeiten zu verbessern und erforderliche Maßnahmen schnell einzuleiten.

Machine Learning ist wichtig, da das Fahrzeug anpassungsfähig sein muss. Es wird zudem nicht in der Lage sein, alle Sensordaten ständig zu überwachen und zu berechnen und auf deren Grundlage vorausschauend Vorhersagen zu treffen. Änderungen im Fahrverhalten und Reaktionen auf Umwelteinflüsse müssen daher zum Teil auch aus gelernten Situationen übernommen werden (Bild 1).

Bild 1. Menschliches Fehlverhalten ist die Ursache für mehr als 90 Prozent der Verkehrsunfälle. Adaptive Anwendungen, die ihr Verhalten ohne Einfluss der HMI-Schnittstelle auf Situationen anpassen, könnten dabei helfen, Unfälle zu vermeiden.
© Molex

Bild 1. Menschliches Fehlverhalten ist die Ursache für mehr als 90 Prozent der Verkehrsunfälle. Adaptive Anwendungen, die ihr Verhalten ohne Einfluss der HMI-Schnittstelle auf Situationen anpassen, könnten dabei helfen, Unfälle zu vermeiden.

Voraussetzungen für adaptive Anwendungen

Damit Machine Learning durch adaptive Anwendungen im vernetzten Fahrzeug funktioniert, müssen einige Voraussetzungen erfüllt werden. Die wichtigste ist dabei ein hochpräzises GNSS-System, das Daten über die TCU satellitengestützt ausgibt. Damit das Auto aus Umgebungseinflüssen lernen kann, muss es genau wissen, wo es sich befindet. Zwar besitzen viele Fahrzeuge bereits heute ein Ortungssystem, um beispielsweise Spurhalteassistenten zu bedienen, jedoch ist es meist nicht präzise genug für zukünftige ADAS/AD-Anwendungen.

Verschiebt sich beispielsweise eine Spur aufgrund einer Baustelle oder touchiert ein Fahrer die Markierung nur ganz leicht, bekommt er keine Meldung. Im Falle des autonomen oder teilautonomen Fahrens ist eine solche Varianz nicht akzeptabel. Hochpräzise GNSS oder andere Satelliteninformationen hingegen ermöglichen zusammen mit IVN-Sensor-Fusionsdaten und KI-Daten aus dem Backoffice dem Fahrzeug ein genaues Bild, wo es sich befindet und was vor ihm liegt.

Es muss genau wissen, wie breit eine Lücke zwischen zwei Fahrzeugen ist und ob sich das Fahrzeug dort gefahrenlos einfädeln kann oder nicht. Dafür muss es allerdings nicht nur die eigene Position berücksichtigen, sondern auch die der anderen Verkehrsteilnehmer. Auch das Sensor Sharing, also das Teilen gesammelter Daten mit Fahrzeugen der Umgebung, wird beim Thema adaptive Anwendungen demnach eine wichtige Rolle spielen. Fahrzeuge lernen, sich die Daten anderer Verkehrsteilnehmer zu sichern und mithilfe des Backoffices eigene Schlüsse und Vorhersagen zu treffen.

Backoffice als »externes Gehirn«

Bild 2. Ein Anwendungsbeispiel, bei dem adaptive Applikationen zum Einsatz kommen können: Ein parkender Lkw versperrt die Sicht auf andere Verkehrsteilnehmer. Systeme zur Kollisionsvermeidung können in solchen Fällen die Einschränkungen der menschlic
© Molex

Bild 2. Ein Anwendungsbeispiel, bei dem adaptive Applikationen zum Einsatz kommen können: Ein parkender Lkw versperrt die Sicht auf andere Verkehrsteilnehmer. Systeme zur Kollisionsvermeidung können in solchen Fällen die Einschränkungen der menschlichen Reaktionszeit mildern. (Bild: Molex)

Innerhalb des Fahrzeugs selbst kann nicht viel Rechenleistung zur Verfügung gestellt werden. Neue Erkenntnisse, die das Fahrzeug lernt, müssen daher über die TCU zurück ins sogenannte Backoffice gespiegelt werden. Dieses sammelt die unterschiedlichen Informationen verschiedenster Fahrzeuge und kann Auskünfte über eine neue Baustelle oder eine Änderung im Straßenverkehr an das Auto zurückspiegeln.

Das Auto wiederrum kann diese Information validieren oder negieren und so für weitere Lerneffekte sorgen. In gewisser Weise nutzt Google Maps diese Funktion bereits heute, indem es aus den Standortdaten von Handynutzern Informationen gewinnt und daraus ableitet, ob eine Strecke stark befahren ist oder ob Stau herrscht, und diese Daten live auf sein Kartenmaterial überträgt. Die Anpassungsfähigkeit ist insofern wichtig, als dass das Auto aufgrund begrenzter Rechenkapazitäten nicht in der Lage sein wird, die Sensordaten, die es über diese Szenarien lernen muss, ständig zu überwachen, zu berechnen und vorausschauend Vorhersagen zu treffen, die sich zudem an wechselnde Umwelt­bedingungen anpassen, und an das es Lenkung, Bremsen, Beschleunigung und Verzögerung anpassen muss.

Um Daten in und aus dem Backoffice zu erhalten, braucht es eine schnelle, sichere und zuverlässige Datenverbindung, die zudem die Sensoren im Auto integriert, um die Steuervorgänge im Fahrzeug auf Grundlage der Sensordaten zu validieren. Automotive Ethernet bietet hierfür eine genügend große Bandbreite, sodass die Daten genau dann in einen bestimmten Bereich gelangen können, wenn sie benötigt werden. Allerdings ist derzeit noch nicht sicher, ob nur das Automotive Ethernet diese Funktion erfüllen kann.

Grundsätzlich ist nur eine schnelle, zuverlässige Kommunikationsverbindung notwendig – wie auch immer sie aufgebaut ist. Es muss dadurch die Möglichkeit gegeben sein, den Verkehr zu überwachen und Latenzzeiten zu minimieren, damit Daten schnell dorthin gebracht werden, wo sie benötigt werden. Und zwar genau zu dem Zeitpunkt, an dem sie gebraucht werden. Ethernet bietet standardisierte Methoden, die dies schon heute ermöglichen.

Das Backoffice selbst wird derzeit noch von jedem OEM selbst betrieben. In Zukunft sind aber sowohl Koopera­tionen verschiedener Hersteller als auch mit externen Anbietern wie Google, Amazon oder Microsoft vorstellbar. So können Nutzern neue Dienstleistungen beispielsweise als SaaS-Anwendung angeboten werden. Die Unternehmenslandschaft befindet sich in der Entwicklung und es wird einige Jahre dauern, bis sie sich entsprechend etabliert hat.

Die menschliche Reaktionsfähigkeit verbessern

Machine Learning und adaptive Anwendungen sind keine reine Zukunfts­musik. Bereits heute gibt es eine Reihe von Anwendungen, die das Leben von Fahrern schützen und den Fahrkomfort erhöhen (Bild 2).

Dazu gehören zum einen einfachere Anwendungen wie die Meldung und Vermeidung von Gefahren im Straßenverkehr, zum Beispiel bei einem Unfall auf der geplanten Strecke oder einer geänderten Wegführung oder beim automatisierten Parken. Aber auch fortschrittlichere Anwendungen wie eine Spur- und Abfahrtswarnung existieren bereits heute. Jedoch sind sie momentan noch nicht so ausgereift und präzise, dass sie die Sicherheit der Fahrer zu hundert Prozent schützen. Momentan sind die Sensoren etwa noch nicht in der Lage, in einer solchen Situation genau zu bestimmen, ob der Fahrer von der Spur abweicht oder nicht.

In Zukunft wird sich das ändern, unter anderem aufgrund präziserer und identifizierbarer Daten im Hinblick auf die absolute Positionsbestimmung. Eine Reihe von Situationen zeigen, dass diese absolute Positionsbestimmung und Spurhaltetechnik wichtig sind: Befindet sich ein Fahrzeug beispielsweise in einem Schneesturm oder in starkem Regen, ist die Sicht des Fahrers stark eingeschränkt und er kann sich nicht an Markierungen auf der Fahrbahn oder der Umgebung orientieren.

Machine Learning wird eine wichtige Rolle dabei spielen, das Auto in der Spur zu halten. Dank des Backoffice und der dadurch zur Verfügung gestellten absoluten Positionsbestimmung im Zusammenspiel mit den eigenen Sensordaten wird das vernetzte Fahrzeug zukünftig in der Lage sein, die Situation einzuschätzen, sich anzupassen und zu lernen, wo genau es sich befindet und wie genau es fahren muss, um die Fahrspur zu halten.

Eine weitere Anwendung adaptiver Applikationen ist das Erkennen und Verstehen von Straßenschildern. So können Fahrzeuge beispielsweise feststellen, wenn sich ein Geschwindigkeitsschild aufgrund einer Baustelle geändert hat und entsprechend reagieren. Dazu muss das Auto verstehen, was die Zahlen auf dem jeweiligen Schild bedeuten und wie es auf sie zu reagieren hat – nämlich mit der Anpassung der Höchstgeschwindigkeit. Zudem muss es bemerken oder durch die KI des Backoffices darauf hingewiesen werden, dass es eine Änderung gab und sich „erinnern“ welche Höchstgeschwindigkeit vorher existierte.

Auch die Beleuchtung des Fahrzeuges gehört zum Anwendungsbereich adaptiver Applikationen. Heutzutage vergessen Fahrer häufig Scheinwerfer richtig einzustellen oder die Position an die Beladung des Autos anzupassen. Fährt das Fahrzeug nun um eine Kurve ist das aus zweierlei Gründen nicht optimal: Zum einen ist die Kurve nicht perfekt ausgeleuchtet, was es dem Fahrer erschwert, Gegenstände oder Gegenverkehr zu erkennen. Zum anderen besteht die Gefahr, dass Anwohner durch das (falsch) einfallende Licht geblendet oder massiv gestört werden.

Adaptive Applikationen können hier Abhilfe schaffen und zum einen den Scheinwerfer immer ideal einstellen – angepasst an Umweltänderungen und die physischen Änderungen im Fahrzeug, zum Beispiel durch schwere Beladung – und zum anderen dafür sorgen, dass sich der Lichtstrahl mit der Bewegung des Fahrzeugs verändert, sodass Störungen von Anwohnern und die schlechte Ausleuchtung des Weges vermieden werden.  Der Fahrer erhält so mehr Sicht und dadurch auch eine höhere Sicherheit.

Darüber hinaus gibt es bereits erste Überlegungen für fortgeschrittene Anwendungsfälle, die wichtiger werden, je autonomer das Fahrzeug agiert. Eine betrifft die Höchstgeschwindigkeit autonomer Fahrzeuge ab Stufe 5. Derzeit ist die Höchstgeschwindigkeit bei autonomen Fahrzeugen mit circa 56 bis 73 km/h in bestimmten Test­arealen noch eher gering. Diese muss in der Zukunft erhöht werden, wollen Fahrzeuge wirklich autonom agieren.

Das heißt allerdings auch, dass die Software bei höherer Geschwindigkeit – ähnlich wie ein Fahrer – auch weniger Reaktionszeit hat. Derzeit ist sie noch nicht in der Lage mit geringerer Reaktionszeit eine sichere Fahrt zu gewährleiten. So ist beispielswiese die Frequenz und Übertragungsgeschwindigkeit der IVN-Kameras noch nicht hoch genug, um Informationen schnell genug bereitzustellen, die für das sichere Fahren benötigt werden.

Eine weitere anspruchsvollere Anwendung ist ein Sensor, der erkennt, ob ein Fahrer müde oder unkonzentriert ist oder ob es ihm gesundheitlich nicht gut geht, und in einem solchen Fall dessen Zugang zum Lenkrad und anderen Fahreigenschaften einschränkt. Das ist insofern relevant, als dass in niedrigeren Autonomiestufen (Stufe 3) der Fahrer noch als „Rückfallmöglichkeit“ für das autonome System gilt. Ist er in einem solchen Fall jedoch abgelenkt, beeinträchtigt das die Sicherheit. Der Sensor würde dann verhindern, dass der Fahrer das Lenkrad und damit verbundene Fahrtätigkeiten übernimmt.

Aktuelle Herausforderungen bei adaptiven Applikationen

Die größte Herausforderung bei der Integration und Entwicklung Adaptiver Applikationen in das vernetzte und (teil-)autonome Fahrzeug sind die Kosten. Aufgrund der Komplexität der Anwendungen sind diese derzeit noch viel zu hoch, um eine wirtschaftliche Integration in das Fahrzeug abbilden zu können. Selbst die Integration bereits bestehender Anwendungen in Fahrzeuge ist derzeit noch sehr kostenintensiv. Eine Reduktion der Kosten sowohl bei der Entwicklung als auch der Integration gilt daher als Grundvoraussetzung für den Erfolg von Machine Learning und adaptiven Applikationen im vernetzten Fahrzeug.

Eine weitere Herausforderung: Fehlende Kommunikationsstandards. Es ist derzeit nicht geklärt, welche Frequenzbänder weltweit für die Kommunikation vernetzter Fahrzeuge zur Verfügung stehen: DSRC, WiFi, 5G oder eine Mischung aus den anderen Systemen? Viele Möglichkeiten sind noch im Rennen und die aktuelle Situation rund um Covid-19 und der sich eintrübenden Wirtschaftsprognosen hat eine Einigung in noch weitere Ferne rücken lassen.

Adaptive Applikationen – Wohin geht die Reise?

Die Sicherheit der Fahrzeuginsassen ist wichtig für alle Beteiligten: OEMs, Zulieferer und Passagiere selbst. Alle müssen am gleichen Strang ziehen, um das Ziel Zero Death/Zero Accidents zu erreichen. Die Reise zum Traum von null Unfällen und null Verkehrstoten muss schnell vorangehen. Denn alleine in Deutschland sind vergangenes Jahr 3.059 Menschen bei Unfällen im Straßenverkehr ums Leben gekommen.

Ein Punkt, der dabei wichtig ist: Es ist ein Konsens gefragt, was die Sicherheit, die adaptive Applikationen und Machine Learning bieten, wert ist. Diese Systeme in vernetzte und (teil-) autonome Fahrzeuge zu integrieren, wird nicht billig werden – aber es lohnt sich. Die Kooperation mit anderen Bereichen wie der Luftfahrt, der Logistik, dem Militär oder der Spieleindustrie (gerade im Hinblick auf Drohnen) bietet zudem eine Möglichkeit voneinander zu lernen, Erfahrungen auszutauschen und Entwicklungskosten zu teilen. OEMs und Zulieferer müssen noch stärker über ihren Schatten springen und Partnerschaften suchen, die vielleicht auch jenseits ihres heutigen Horizonts liegen, um das gemeinsame Ziel zu erreichen: Die Korrektur des menschlichen Versagens durch die Technik und das darin enthaltene Sicherheitsversprechen, dass Unfälle und Verkehrstote zukünftig der Vergangenheit angehören.

Der Autor

Mike Potts, Molex
© Molex

Mike Potts, Molex

Michael (Mike) Potts

arbeitet als Advanced Technolog and Innofation Lead Architect für Molex CMS. Er ist seit über 30 Jahren in der Automobil-, Fertigungs- und Industriebranche tätig, unter anderem bei Unternehmen wie General Motors, Chrysler und Cisco. Darüber hinaus betätigt er sich als aktives Mitglied und Leiter zahlreicher Allianzen und Ausschüsse zu Ethernet- und Technologiestandards. Mike Potts ist Inhaber mehrerer Patente. Sein Studium absolvierte er an der University of Michigan-Dearborn sowie am Walsh College.

Auf Facebook teilenAuf Twitter teilenAuf Linkedin teilenVia Mail teilen

Das könnte Sie auch interessieren

Subscription-Management-Plattform schafft neue Mobilitätsangebote
Bosch bringt integrierten Splitscreen für Motorräder auf Straße
Was denkt Deutschland über künstliche Intelligenz?

Verwandte Artikel

Molex Deutschland GmbH