Künstliche Intelligenz und autonomes Fahren Studierende speisen Informationen in neuronale Netze, um die Fahrsicherheit zu optimieren

Autonomes Fahren – diese herausfordernde Aufgabe haben Master- und Bachelorstudierende an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt in einer neuen Lehrveranstaltung während des Wintersemesters 2020/21 ausprobiert:

Mit sogenannten JetBots und JetRacern, Bausätzen für Künstliche-Intelligenz-Fahrzeuge, sollten die Studierenden dafür sorgen, dass Alltagssituationen im Straßenverkehr mittels Frontkamera korrekt erkannt werden und eine angemessene Reaktion darauf folgt. Bei den Bachelor-Studierenden ging es um sensorbasierte Spurverfolgung und Geschwindigkeit.

Für vierzehn Masterstudierende des Studiengangs Informationssysteme kulminierte die neue Lehrveranstaltung in einem Wettbewerb. Ab Oktober hatten sie im Kurs „Machine Learning“ unter der Leitung der Professoren Dr. Arndt Balzer und Dr. Frank Deinzer daran gearbeitet, die JetBots und JetRacer autonom in gängigen Verkehrssituationen fahren zu lassen: So mussten die Fahrzeuge über Kameras beispielsweise die Spur halten, Verkehrsschilder erkennen, am Fahrbahnrand stehende Passant*innen bemerken und die Fahrgeschwindigkeit entsprechend drosseln.

Im abschließenden Wettbewerb, bei denen jedes Fahrzeug mehrmals einen Parcours zu durchfahren hatte, zählten folgende Wertungskriterien:

das Erkennen und Berücksichtigen definierter Objekte wie Straßenschilder und Personen an der Fahrbahn in der Programm-Logik. Neben der Einsatz von Neuronalen Netzen war auch die klassische Mustererkennung möglich.

menschliches Eingreifen anstatt des autonomen Fahrens kostete Strafzeit.

der Energieverbrauch der CPU (Prozessorauslastung) und des GPU (Grafikprozessor) wurde (noch) nicht gewertet.

Zum Hintergrund:

Moderne Fahrzeuge verfügen über zahlreiche Assistenzsysteme, die das Fahren sicherer machen und die Fahrer*innen entlasten sollen. Die verwendeten künstlichen neuronalen Netze „lernen“, Entscheidungen zu treffen. Nicht klar sei, was genau diese neuronalen Netze aufnehmen und wie sie das Gelernte umsetzen und anwenden.

Herausforderungen seien bewusste Störungen der Systeme durch dritte, beispielsweise „one-pixel attacks“: Dabei reicht u.U. ein Bildpunkt, um in tiefen neuronalen Netzen Täuschungen hervorrufen. Assistenzsysteme können gehackt, getäuscht, irritiert werden. Das kann entsprechend zu Fehlfunktionen und Unfällen führen. Über Simulationen werde versucht, Fahr- sowie Lernprozesse von neuronalen Netzen auszuprobieren und zu lernen, um die einzelnen Schritte im Straßenverkehr zu optimieren.

Auf einer zweiten Rennstrecke ging es vor allem um Geschwindigkeit. Vergleichbar zur MCU-Car-Rally (https://www.embedded-world.de/de/news/fotos?newstype=gallery&itemid=e9t6aougz7), die normalerweise in Nürnberg im Rahmen der Weltleitmesse „Embedded World“ stattfindet, jedoch in diesem Jahr pandemie-bedingt ausfällt, bauten die Bachelor-Studierenden eine Strecke im Gebäude am Sanderheinrichsleitenweg auf, um ihre Fahrzeuge fahren zu lassen.

Hier ging es darum, sensorgesteuerte Modellrennwagen auf einem festgelegten Parcours mittels Spurverfolgung möglichst fehlerfrei und schnell ins Ziel zu bringen. Die Sensoren bestehen aus Arrays von IR-LEDs und Fotodioden. Eine vergleichbare Technik wird in modernen Autos eingesetzt (Lane Assist).

Kein Wettbewerb ohne Gewinner*innen und Preise: Die besten Teams erhielten Büchergutscheine, gesponsert von IWinet, dem Alumninetzwerk der Fakultät für Informatik und Wirtschaftsinformatik.

SAZ-Redakteur

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.