Waymos ChauffeurNet | KI fährt wie ein Mensch
Bei der Realisierung des Autonomen Fahrens setzt Waymo auf ChauffeurNet, eine Künstliche Intelligenz, welche den Menschen nachahmen soll.
Der Robotertaxidienst von Waymo soll besser fahren lernen, wofür man eine spezielle Künstliche Intelligenz programmiert hat: ChauffeurNet. Das Vorbild soll der Mensch sein.
Die Fahrzeuge von Waymo One sind nicht sehr beliebt in Arizona, zuletzt gab es sogar Attacken auf die Fahrzeuge. Wobei diese Attacken aus stumpfsinnigen Hass resultieren. Doch viele Fahrende in dem US-Bundesstaat Arizona regen sich über die zurückhaltende Fahrweise der Autos auf.
Das mag ein Grund sein, warum Waymo nun intensiv an der Verbesserung des Fahrstils arbeitet und ChauffeurNet ins Leben gerufen hat. Ein weiterer Grund war, dass man bei realen Testfahrten komplexe Fahrsituationen feststellte, die das Auto vor unüberwindbare Probleme stellte.
Bisher trainierte man die Künstliche Intelligenz mit 30 Millionen Beispielen an Schulungsmaterial. Doch das reichte nicht aus, um die Fahrzeuge auf bestimmte Situationen vorzubereiten. Es war zwar in der Lage Stoppschilder oder Ampeln richtig zu deuten, jedoch führten Abweichungen davon zu neuerlichen Schwierigkeiten.
Daher hat man sich das menschliche Fahrverhalten zum Vorbild genommen. Denn Menschen können mit unbekannten Situationen umgehen, während das Roboterauto dazu neigt, stehen zu bleiben. Derart hat man ein rekurrentes (wiederkehrendes) neuronales Netzwerk (RNN) erarbeitet, dass man als ChauffeurNet bezeichnet.
Das ChauffeurNet ist in zwei Komponenten gegliedert: FeatureNet und AgentRNN. Beim FeatureNet handelt es ich um ein neuronales Netzwerk, das die Eingangsdaten untersucht und wichtige Informationen wie den Straßenverlauf, Ampeln, Geschwindigkeitsbegrenzung, die aktuelle und vergangene Position anderer Fahrzeuge extrahiert. Dem AgentRNN dient die Datenlage, um die weitere Vorgehensweise zu berechnen. Das Konzept erinnert an das RSS Verfahren von Mobileye.
Beim ChauffeurNet werden auch die Daten des Trainings herangezogen, welche durch hinzugefügte Störungen erweitert wurden. Das nennt man Imitationsverluste. Das zwingt das Modell zu Abweichungen vom Gelernten. Dabei versucht es die Probleme zu lösen, in dem es dennoch Kollisionen vermeidet und sich an der Fahrbahnmarkierung orientiert.
Auf dem Testgelände funktionierte dieser Ansatz, doch es ist noch ein weiter Weg bis zum Einsatz in den Fahrzeugen. So gilt es dem System beizubringen, warum sich erfahrene Fahrende aus Fleisch und Blut so verhalten, wie sie es tun. Es geht also um das ‘Warum’ und nicht um eine möglichst große Anzahl von Beispielen.
Das derzeitige System für das Autonome Fahren in den Waymo Fahrzeugen ist zwar bereits eine Künstliche Intelligenz, die aber regelbasiert agiert. Mit ChauffeurNet soll die bisherige KI erweitert werden.
Quelle (englisch)
