Künstliche Intelligenz für Vorausschauendes Fahren

Dabei hilft die automatisierte Bewegungsvorhersage, zu der auch an der Universität Ulm erfolgreich geforscht wird. Die Ulmer Wissenschaftler setzen dabei auch auf Künstliche Intelligenz. „Für die Planung eines ‚intelligenten‘ Fahrmanövers braucht der Bordcomputer nicht nur Informationen über das bauliche Umfeld des Fahrzeugs, also über die Verkehrsführung, Beschilderung und Signalgebung, sondern auch darüber, wie sich andere Verkehrsteilnehmer wie Fahrzeuge, Fußgänger oder Radfahrer im Verkehrsraum bewegen“, erklärt Jan Strohbeck, Doktorand am Institut für Mess-, Regel- und Mikrotechnik der Universität Ulm bei Professor Klaus Dietmayer. Der Mensch hat es meist nicht schwer, vorherzusagen wohin ein vorausfahrendes Auto fährt, selbst wenn es nicht blinkt. Dafür genügt ihm die Beobachtung eines Schulterblickes oder eines bestimmten Fahrmanövers. Für das hochautomatisierte Fahrzeug ist es weitaus schwerer, eine zukünftige Bewegungsbahn zu prognostizieren. „Mit kurzen Vorhersagezeiträumen von einer Sekunde kommt der Computer zwar noch gut zurecht, indem er sich mit einfachen Bewegungsmodellen behilft. Doch bei größeren Vorhersagehorizonten werden solche Verfahren zunehmend ungenau“, erklärt der 25-Jährige, der nach seinem Bachelor als Ingenieur einen Masterabschluss in Informatik gemacht hat. Der Ulmer Wissenschaftler aus dem Institut für Mess-, Regel- und Mikrotechnik nutzt deshalb ein KI-Verfahren, um die Bewegungsprognosen für andere Verkehrsteilnehmer zu verbessern. „Wir verfolgen dabei einen sogenannten Deep-Learning-Ansatz, bei dem Künstliche Neuronale Netze zum Einsatz kommen“, erklärt Dr. Michael Buchholz, der das Forschungsprojekt leitet. Das Ziel: die Bewegungsbahn eines Fahrzeuges mindestens für die nächsten 3 Sekunden möglichst korrekt vorherzusagen. Bei diesem Verfahren werden künstliche Bilder von der Umgebung des Fahrzeuges erzeugt. Dazu gehören die Fahrspuren sowie andere befahrbare Bereiche wie Seitenstreifen oder Parkbuchten, aber auch Informationen über andere Verkehrsteilnehmer. „Ein Künstliches Neuronales Netz wird darauf trainiert, aus diesen Bildern relevante Informationen zu extrahieren und damit wahrscheinlichkeitsbasierte Aussagen über zukünftige Fahrzeugbewegungen abzuleiten. Diese dienen dann als Hypothesen zur Bewegungsvorhersage“, erläutert Strohbeck.
Die Leistungsfähigkeit dieses Ansatzes konnte Strohbeck mit seinen Kollegen Ende letzten Jahres mit einem eindrucksvollen Erfolg unter Beweis stellen. So gewann das Ulmer Team um Jan Strohbeck die Argoverse Challenge im Bereich „Motion Forecasting“ (Bewegungsvorhersage). Bei diesem mehrwöchigen Wettbewerb, der vom US-amerikanischen Unternehmen Argo AI – einem Spezialisten für das Autonome Fahren – ausgerichtet wird, traten Teams aus der ganz Welt gegeneinander an, und zwar in den Disziplinen „Tracking“ und „Motion Forecasting“.
Für das „Motion Forecasting“ mussten die Algorithmen beziehungsweise Modelle der Wettbewerbsteilnehmer möglichst gute Prognosen über das Abbiegeverhalten von Fahrzeugen an Kreuzungen treffen. Mit dem Sieg in dieser Kategorie, der mit 1500 Dollar prämiert wurde, konnte sich das Ulmer Team sogar gegen die Konkurrenz aus so hochrenommierten US-Universitäten wie Johns Hopkins oder dem Massachusetts Institute of Technology (MIT) durchsetzen. Bekannt gemacht wurde das Ergebnis Mitte Dezember auf einer internationalen Tagung zu Neural Informatio n Processing im kanadischen Vancouver.

Beim Abbiegen Lücken im fließenden Verkehr erkennen

Jan Strohbeck forscht an der Universität Ulm im Rahmen des EU-Verbund-Projektes ICT4CART. Dabei geht es um die Unterstützung automatisierter Fahrzeuge im Straßenverkehr mithilfe von Informations- und Kommunikationstechnik in der Infrastruktur. Unter anderem wird unter Nutzung externer Sensordaten ein detailliertes dynamisches Umfeldmodell einer schlecht einsehbaren Kreuzung in Ulm-Lehr erstellt und live an ein automatisiertes Fahrzeug übermittelt, um ihm das Abbiegen zu erleichtern. Strohbeck konzentriert sich hier auf die Entwicklung von Bewegungsprognoseverfahren für die automatische Manöverplanung. Ganz praktisch soll das automatisierte Fahrzeug damit einschätzen lernen, ob Lücken im fließenden Verkehr groß genug sind, um sich beim Abbiegen unfallfrei einzufädeln.