Wie künstliche Intelligenz das Auto der Zukunft beeinflusst

Selbstfahrer

Florian Neukart

Autonomes Fahren ist keine reine Zukunftsmusik mehr. Für die Entwicklung selbstfahrender Autos sind die Analyse großer Datenmengen, Computer Vision und maschinelles Lernen wichtig.

Intelligente Datenanalyse sowie maschinelles Lernen und Computer Vision als Teilbereiche der künstlichen Intelligenz spielen eine wesentliche Rolle bei der Entwicklung selbstfahrender Autos.

Mithilfe von Data Mining und maschinellem Lernen können Anwendungen in Daten nach Mustern suchen, auf deren Grundlage ein autonomes Fahrzeug sein Verhalten dynamisch anpassen kann.

Computer Vision dient der Objekterkennung. Ein CV-System muss aus einer Szene unabhängig von den jeweiligen Sichtverhältnissen die für eine Handlung relevanten Informationen entnehmen – zum Beispiel ein Straßenschild korrekt erkennen.

Ein agentenzentrierter Ansatz soll bewirken, dass ein Fahrzeug nicht nur autonom und adaptiv, sondern auch sozial handelt und beispielsweise in Kooperation mit anderen autonomen Fahrzeugen Routen ermittelt, die Staus und Unfälle vermeiden sollen.

Spracherkennung in Fahrzeugen, automatische Verkehrsschildererkennung – viele Anwendungen aus Bereichen wie Data Science und maschinellem Lernen sind heute bereits Bestandteil des täglichen Lebens. Mithilfe von Spur- und Abstandshalteassistenten im Fahrzeug, die ebenfalls auf diesen Techniken basieren, rückt die Idee des autonomen Fahrens in die Nähe der Realität.

Wer auch in Zukunft in der Automobilindustrie wettbewerbsfähig bleiben will, muss bei der Schaffung vernetzter, autonomer und künstlich intelligenter Systeme Schritt halten. Diese Systeme lernen kontinuierlich aus Daten und können optimale Entscheidungen treffen. Ihre Entwicklung geht im Eiltempo voran. Schlüsseltechniken der neuen Systeme sind Data Mining, maschinelles Lernen und Computer Vision.

Data Mining und datenbasierte Analysen werden in der Automobilindustrie künftig immer mehr an Bedeutung gewinnen. Dabei gibt es verschiedene Methoden für die Nutzung von Datenanalysen. Den Rahmen des Data-Mining-Prozesses bilden vier Ebenen: Optimizing, Predictive, Diagnostic und Descriptive Analytics. Die einzelnen Schichten bauen aufeinander auf und stehen jeweils für eine Technik, die zur Umsetzung nötig ist. An erster Stelle steht die Frage: „Was sollte ich tun?“ Optimizing Analytics liefert auf der Grundlage einer datenbasierten Analyse eine Entscheidungsunterstützung. Ist der Mensch nicht mehr involviert, erfolgt die Optimierung automatisiert.