Motivation
Autonomes Fahren ist ein sehr aktuelles Zukunftsthema. Der sichere Umgang mit kritischen Verkehrssituationen ist ein Schlüsselfaktor für den Erfolg autonomer Systeme. Neben den eigentlichen Fahrzeugen gehören auch Fußgänger, Radfahrer u.a. zu den Verkehrsteilnehmern. Die reale Welt ist also extrem komplex. Trotzdem muss man in der Lage sein, Systeme zu bauen, die sich inmitten dieser Komplexität unter allen Umständen sicher und zuverlässig verhalten. Der derzeit beste Ansatz zur Kontrolle autonomer Systeme ist das Maschinelle Lernen („Machine Learning“). Die Systeme werden dabei wie der Mensch angelernt, um sich in allen möglichen Situationen richtig zu verhalten. Da nicht alle Aspekte in einem Projekt wie diesem umgesetzt werden können, fokussiert es sich auf Fußgänger im Straßenverkehr und das passende Training von Autonomen Fahrzeugen.
Ziele und Vorgehen
Autonomen Fahrzeugen kann man nicht erst im realen Betrieb das richtige Verhalten beibringen. Dies muss vorher geschehen, will man nicht gefährliche Unfälle riskieren. Systeme können aber nur aus Erfahrung lernen. Deshalb muss man die reale Verkehrswelt simulieren, um den Systemen mit den dadurch erhaltenen Daten das korrekte Verhalten beizubringen. Gesamtziel von REACT ist eine systematische, sichere und validierbare Herangehensweise zur Entwicklung, dem Training und dem Einsatz Intelligenter Simulationen zum sicheren Betrieb von autonomen Systemen. Dazu sollen Methoden und Konzepte des Maschinellen Lernens – insbesondere des Deep Learnings und Deep Reinforcement Learnings weiterentwickelt werden.
Innovationen und Perspektiven
Für das REACT-Projekt soll ein spezieller Ansatz verfolgt werden. Statt hoch-dimensionale Modelle direkt zu lernen, sollen verschiedene niedrig-dimensionale Teilmodelle, die zusammen die Vielfalt möglicher kritischen Situationen beschreiben, angelernt werden. Die Schwierigkeit dabei ist, die Realität aus den Teilmodellen wieder zusammenzusetzen und in Modulen zu kapseln. Die einzelnen Module sollen in eine offene Gesamtsystemarchitektur integriert werden. Es soll eine wiederverwendbare Plattform geschaffen werden, um die einfache Integration externer Module von anderen Forschungsgruppen und der Industrie zu erleichtern. Durch die Simulationen wird man in der Lage sein, neue, virtuelle Sensordaten zu generieren, die dazu genutzt werden können, das Zielsystem gerade im Umgang mit kritischen Gefahrensituationen umfassend zu schulen. Die generierten Daten der komplexen Modelle werden dazu dienen, um die autonomen Systeme für kritische Situationen zu trainieren. Das stetige Evaluieren und Verbessern der Qualität sowie der Stichhaltigkeit der erzeugten Daten wird ein Schlüsselaspekt in der Projektdurchführung sein.