KÜNSTLICHE INTELLIGENZ & MASCHINELLES … · kÜnstliche intelligenz & maschinelles lernen im automobilen umfeld fachtagung „automatisiertes und vernetztes fahren“ dr. stephan

KÜNSTLICHE INTELLIGENZ & MASCHINELLES LERNEN IM AUTOMOBILEN UMFELD FACHTAGUNG „AUTOMATISIERTES UND VERNETZTES FAHREN“

DR. STEPHAN SCHOLZ – VOLKSWAGEN KONZERNFORSCHUNG – ARCHITEKTUR & KI-TECHNOLOGIE

Berlin – 30.11.2017

2 VOLKSWAGEN Konzernforschung | Architektur & KI-Technologie | Dr. Stephan Scholz

AGENDA KÜNSTLICHE INTELLIGENZ & MASCHINELLES LERNEN IM AUTOMOBILEN UMFELD

1. Ausgangslage, Trends und Anforderungen

2. Herausforderung „vernetztes autonomes“ Fahren

3. Offene Fragen der „künstlichen Intelligenz“

4. Herstellerübergreifende nationale Forschungsinitiative


EINFLUSSFAKTOREN WAS SIND DIE AUSLÖSER FÜR EINEN „WANDEL“?

Automobil-industrie

Sozio-kulturell

Politik

Ökonomisch Ökologisch

Technologie

• Werte, Lebensstil, • Demografie • Einkommensverteilung • Bildung • Bevölkerungswachstum • Sicherheit

• Forschung & Entwicklung • Neue Verfahren, Materialien,

Produkte und Prozesse • Produktlebenszyklen

• Klimawandel / Globale Erwärmung • Emissionsregelungen • Vermeidung/ Beseitigung von

Abfall & Altlasten

• Wirtschaftswachstum • Inflation, Zinsen, Wechselkurse

• Arbeitslosigkeit, Konjunkturzyklen • Verfügbarkeit von Ressourcen

• Gesetzgebung • Steuerrichtlinien

• Handelshemmnisse • Sicherheitsvorgaben

• Subventionen

Quelle: pixabay

Quelle: Wikipedia

Quelle: pixabay

Quelle: Wikipedia

Quelle: pixabay


KUNDE UND MEGATRENDS

Kunde • Marktspezifische Anforderungen an Design,

Fahrzeugtyp, Robustheit, Ausstattung (Komfort, Gesundheit & Sicherheit), Modellzyklus

• Wachsende Bedeutung Großkunden, Flotten-betreiber, Städte und Kommunen Regionale F&E, Komplettlösungen, Partnerschaften

Neue Produkte, Geschäftsfelder , Produktions- & Arbeitsformen

Vom Hardware- zum Software-Driven Car / Mobility Megatrends

• Urbanisierung, Share Economy, E-Mobilität • Digitalisierung: Big Data, Automatisches Fahren,

KI-Technologie • Industrie 4.0: Vernetzung, IoT, Virtual Reality

Quelle: Wikipedia Quelle: MAN Quelle: Volkswagen

Quelle: pixabay Quelle: maxpixel Quelle: Wikimedia


WAS MACHT DEN WANDEL SO ANDERS? THESEN / STATEMENTS

• VUCA world (volatile, uncertain, complex, ambiguous)

• Technologiewandel mit Auswirkungen auf alle Geschäftsbereiche

• Kerngeschäft ist nur in Koexistenz mit neuen Geschäftsmodellen, Produkten und Services zukunftsfähig Digitales Mobilitäts-Ökosystem

• Neue Player aus der New Economy erhöhen den Druck auf Innovation, Effizienz und Nachhaltigkeit

• Komplexität: Produkt- und Service-Portfolio muss optimal zu allen Markt- und Kundenanforderungen passen

• Partnering: Agile und effiziente Lösungen lassen sich nur mit starken Partnern lösen Offene Plattformen

Anpassungsfähigkeit und Agilität


BÜCHER

BROCKHAUS

BÜCHER

WIKIPEDIA

MUSIK

SONY

MUSIK

ITUNES

VIDEOS

BLOCKBUSTER

VIDEOS

NETFLIX

SHOPPING

QUELLE

SHOPPING

AMAZON

DIGITALISIERUNG AUSWIRKUNGEN

MOBILITY

VOLKSWAGEN

MOBILITY

? ? ? VOLKSWAGEN!








DEFINITION – AUTOMATISCHES FAHREN

Level of automation (Terms according to SAE J3016)

Driver continuously performs the longitudinal and lateral driving task

Driver continuously performs the longitudinal or lateral driving task

Driver must monitor the driving task and the driving environment at all times

Driver does not need to monitor the driving task nor the driving environment; must always be in a position to resume control

No intervening vehicle system active

The other driving task is performed by the system

System performs longitudinal and lateral driving task in a defined use case

System performs longitudinal and lateral driving task in a defined use case. Recognizes its performance limits & requests driver to resume the dynamic driving task with sufficient time margin.

Auto

mat

ion

Driv

er

Level 0 Driver Only

Level 1 Assisted

Level 2 Partial

Automation

Level 3 Conditional Automation

Level 4 High

Automation

Level 5 Full

Automation

Driver is not required during defined use case

System performs the lateral and longitudinal driving task in all situations in a defined use case.

System performs the lateral and longitudinal driving task in all situations encountered during the entire journey. No driver required.


AUTONOMES FAHREN: MEHRWERT

Sicherheit und effizienter Verkehrsfluss

Raumeffizienz in der Stadt

Zeitqualität, Private Space, Business

Nutzerorientiertes Fahrerlebnis / Konsum

System- & Umfeldmonitoring


Sensors Localization and perception

Car2x

AUTOMATISCHES FAHREN: FUNKTIONALE VERARBEITUNGSKETTE

Environment Model

Scenario interpretation and prediction

Trajectory Planning

Actuators


360° Lidar

Front Viewing Camera

Top View Cameras

Ultrasonic Sensors

Long Range Lidar

Long Range Radar

Short Range Radar

3-FACH REDUNDANTE URBANE PERZEPTION


detection

classification

size

distance

velocity

detection

classification

size

distance

velocity

detection

classification

size

distance

velocity

KOMPLEMENTÄRE WAHRNEHMUNG

Camera LIDAR RADAR

Mono Camera

e.g. Object classification

Radar

e.g. Velocity measurement

Laser

e.g. Object dimensions

detection

classification

size

distance

velocity

CLUSTER


Plan

Plan

Plan

VERNETZTES FAHREN VIA CAR2X BLICK IN DIE ZUKUNFT

V2X Communication

Lokale Perzeption

Kollektive Wahrnehmung

Intentionsaustausch Abgestimmte Bahnplanung

Plan

Plan


HERAUSFORDERUNG: WIE GUT IST GUT GENUG? VERSCHÄRFTE ANFORDERUNGEN FÜR DAS AUTONOME FAHREN

Kernfragen: Welche funktionale Leistungsfähigkeit

müssen Fahrfunktionen je nach Autonatisierungsgrad aufweisen?

Wie kann die Vollständigkeit der relevanten Testfälle sichergestellt werden?

Welche Testfälle können in der Simulation geprüft werden, welcher auf der Straße?

Welche Gütekriterien, Werkzeuge, Methoden u. Prozesse sind erforderlich?

Bewertungskriterien im Vergleich zum menschlichem Fahrer?








BIG DATA & KÜNSTLICHE INTELLIGENZ ENABLER FÜR DIE DIGITALISIERUNG DER MOBILITÄT FÜR MORGEN

Datentypen

Fahrzeug & Umfeld

Infrastruktur

HMI & Mobile Online Dienste

Nutzerdaten

Patente, Literatur & News

Künstliche Intelligenz

Big Data

Anwendungsfelder

Deep Driving

Mobile Online Dienste

Mobility Services

Smart Cities

Technology Intelligence

Personalisiertes HMI

Prädiktive Wartung

Speicherung, Verarbeitung und Analyse von Daten Automated Driving

Quelle:Pixabay

Quelle:Pixabay

Quelle:Pixabay

Quelle:Wikimedia

Quelle:Pixabay


„AI-DRIVEN AUTONOMOUS DRIVING“

Motivation

• Verkehrsszenarien sind komplex und hochdynamisch

• Die robuste und zuverlässige Situationserfassung und das prädiktive Szenenverständnis spielen hierbei eine besondere Rolle.

• Künstliche Intelligenz entwickelt sich zur Schlüsseltechnologie

• Industrielle und wissenschaftliche Partner mit KI-Expertise müssen gefördert und vernetzt werden, um das autonome Fahren zielgerichtet voranzutreiben

• Künstliche Intelligenz findet nach und nach Einzug in die gesamte Verarbeitungskette bis hin zum „Deep-Driving“

ADVERSE WEATHER

CONDITIONS

FLOATING OBSTACLES

REDUCED VISIBILITY

MAP ADAPTATIONS AND UPDATES

PREDICTION

INTENTION DETECTION

SUDDENLY APPEARING OBSTACLES

DEBRIS &

OBSTACLES

NATURAL BEHAVIOR

CORRECT BEHAVIOR

Quelle: PIXNIO

Quelle: Pixabay

Quelle: Pixabay

Quelle: Pixabay

Quelle: Pixabay

Quelle: Wikipedia

Quelle: PxHere Quelle: PxHere

Quelle: Wikimedia

Quelle: Wikimedia


VORTEILE?

Technologisch

• Leistungsstark & anpassungsfähig

• KI-Lösungen können flexibel gestaltet werden

• Module sind vergleichs-weise einfach zu entwickeln

Soziokulturell

• Ist trendy

• Ermöglicht individuelle maßgeschneiderte Lösungen

• Erweckt den Anschein jung und technologisch voraus zu sein

Ökonomisch

• Wettbewerbsfeld

• Positive Erfolgsmeldung

• Werbewirksam

• Trifft Kunden- & Anlegererwartungen

WAS IST KI UND WARUM IST ES SO IM TREND

Quelle: pixabay Quelle: pixabay Quelle: pixabay


WAS TREIBT KI AN? WAS IST KI UND WARUM IST ES SO IM TREND

Development platforms

Algorithmic progress Quelle: himssconference

Costs for computational power Quelle: wikimedia

Cloud Computing (Availability) Quelle: wikimedia

Moore’s Law for computing power Quelle: wikimedia

Active startup scene Activities of global players Quelle: wikimedia

Amount of experts

Quelle: wikimedia


Aktuelle Herausforderungen– KI-Modelle PERFORMANCE AND PROBLEMS FOR TRAINED MODELS

Herausforderungen

• Verstehen von tiefen neuronalen Netzen

• Umsetzen von zertifizierbaren Funktionen

• Vermeiden von Overfitting: Wurden die Trainingsdaten nur auswendig gelernt?

• Wie kann neural hacking erkannt und unterbunden werden?

• Robustheit bzw. Umgang mit extremen Umweltbedingungen

• Hat das Modell all das gelernt, was es braucht?

Water holes missing in training In some cases it works fantastic

Windscreen wiper in the picture Intersection not recognized

Negative cases missing in training A lot of false positives


RESTRIKTIONEN IM FAHRZEUGBETRIEB Einsatzbereich abdecken : -> Automotive-Tauglichkeit nachweisen • Temperatur • Rütteltest • EMV …

Echtzeitfähigkeit aufweisen: • Das System muss jederzeit über die gesamte

Verarbeitungskette hinweg das Verkehrsgeschehen so schnell analysieren und prognostizieren können, dass

• die Fahrzeugreaktion den Anspruch auf Güte des Gesamtsystems erfüllt.

Restriktionen Embedded Hardware genügen: • Limitierte Rechenleistung • Limitierter Raum • Limitierte Leistungsaufnahme und Abwärme

Self driving systems müssen :

Aktuelle Herausforderungen– KI-Modelle


SYSTEMISCHE ASPEKTE

Sicherheit und Zuverlässigkeit nachweisen: • Redundante Systemarchitektur • Systemüberwachung zur Laufzeit • Reaktive Konzepte zur Erhöhung Ausfallsicherheit

Systemvalidierung ermöglichen: • Prozess- und Toolkette zur (kontinuierlichen)

Validierung von KI-Modulen

Systemzertifizierung ereichen: • Spezifizierung der Anforderungen in Analogie zur • ISO 26262 für autonome Fahrzeuge Homologation

Self driving systems müssen :

Aktuelle Herausforderungen – Gesamtsystem


ZUKÜNFTIGE HERAUSFORDERUNGEN– DIE REALITÄT BEFINDET SICH IM STETIGEN WANDEL

Was ist normal? • Individuale Mobilität • Manuell gesteuerte / assistierte

Fahrzeuge • Isolierte Betrachtung einzelner

Verkehrsteilnehmen • Infrastruktur als Aktionsrahmen • Zumeist statische Regeln

Was wird normal sein? • Individuelle und gemeinschaftliche

Mobilität • Mischbetrieb manueller und automatisch

fahrender Fahrzeuge • Schwarmintelligenz und kollektive

Wahrnehmung • Situationsadaptive Regeln

The Game changes • Ändernde Regeln & Gesetze • Änderndes Verkehrsverhalten • Neue Sensortypen / Setups • Neue Verkehrsteilnehmer

Autonome System müssen sich kontinuierlich anpassen können!







• KI ist Wachstumsmarkt der Zukunft mit starkem internationalen Wettbewerb insbesondere aus den USA und China.

• Börsenwerte der Unternehmen auf dem Gebiet der KI-Technologie erreichen z.T. ungeahnte Größenordnungen und ermöglichen den Konzernen massive Investitionen.

• Entscheidend für den Standort Deutschland ist, dass die Automobilindustrie strategisch zusammenarbeitet, den Vorsprung im Bereich funktionale Sicherheit erhält und erweitert auf KI Methoden und offene Standards treibt.

• Essenziell ist eine enge Zusammenarbeit mit Forschungseinrichtungen und KMUs, die die Anforderungen an ein autonomes, vernetztes Fahrzeug detailliert verstehen.

Ausgangslage industriepolitisch

25

Quelle: flickr Quelle: wikimedia

• Potential und Risiken von KI für das autonome und vernetzte Fahren umfassend analysieren und bewerten.

• Trainings-, Validierungs- und Absicherungsdaten systematisch erzeugen Herstellerübergreifende Referenzdatenbank

• Verfahren zur Absicherung von KI-Verfahren (insbesondere zur Laufzeit) Validierungsmethodik

• Anpassungsfähigkeit an sich ändernden Rahmenbedingungen über Ort & Zeit

• Offene KI-Plattform für autonome Fahrfunktionen definieren (Tools, Prozesse und Standards).

• KI-Knowhow für Entwicklung autonomer Fahrfunktionen nachhaltig aufbauen:

• Industrie

• Wissenschaft

Ziele

26

Quelle: wikimedia Quelle: pixabay

TP3

Absicherung von KI-Verfahren

TP2 Generieren und

Bereitstellung von Lern- und Test-

daten

TP1 KI-Verfahren für

autonomes Fahren

TP4 Kombination von

lern- und regelbasierten

Verfahren

TP5 Offene KI-

Plattform und Werkzeugkette

Projektierung

Anwendung / Absicherung / Standardisierung

Analyse / Forschung

Digitale Infrastruktur (Reale und synthetische Daten und Flotten)

KI-ML


DANKE! DAS RENNEN HAT BEGONNEN!

Quelle: flickr

Documents

KÜNSTLICHE INTELLIGENZ & MASCHINELLES … · kÜnstliche intelligenz & maschinelles lernen im automobilen umfeld fachtagung „automatisiertes und vernetztes fahren“ dr. stephan