Ständig wechselnde Domänen stellen eine bedeutende Herausforderung für die Anwendung von Künstlicher Intelligenz (KI) im Automobilkontext und insbesondere auf das autonome Fahren dar. KI-Lösungen für das autonome Fahren müssen auf einen sich ständig weiterentwickelnden Markt reagieren und skalierbar sein, um sich ändernden Anforderungen gerecht zu werden; eine Fähigkeit, die als Autonomy at Scale bezeichnet wird. Typische Beispiele für den Wechsel der Domäne sind unterschiedliche Anwendungsfälle, Sensoren, Steuergeräte sowie zeitliche und örtliche Veränderungen. Um die Entwicklungseffizienz für wechselnde Anwendungsbereiche zu verbessern, muss die Frage gestellt werden:
Ist es möglich, gewonnenes Wissen aus zuvor erlernten Domänen auf die Anforderungen neuer Zieldomänen zu übertragen und sich ausschließlich auf das Lernen des Deltas zu konzentrieren, also auf die wesentlichen Domänenunterschiede?
Das Ziel des Projekts KI-Delta Learning – ein Projekt der VDA-Leitinitiative „Autonomes und vernetztes Fahren“ – ist die Entwicklung von Methoden und Werkzeugen zur effizienten Erweiterung und Anpassung bestehender KI-Module autonomer Fahrzeuge an die Anforderungen neuer Bereiche und zunehmend komplexer werdender Szenarien. Die entwickelten Methoden werden es ermöglichen, vorhandenes Wissen aus einer Domäne effizient auf Anwendungen in neuen Domänen zu übertragen. Lediglich zusätzliche Anforderungen, die Deltas, sollen dann mit minimalem Entwicklungsaufwand neu erlernt werden.
Um diese Aufgaben zu bewältigen hat sich ein Konsortium aus führenden OEMs, Automobilzulieferern, Technologieprovidern als auch vielen Universitäten und Forschungseinrichtungen zusammengeschlossen und mit dem Kickoff-Event am 22. und 23. Januar 2020 die Arbeit aufgenommen.
OFFIS wird sich in dem Projektkontext einerseits mit Fragestellungen rundum die Generierung und Nutzung von synthetischen Daten für den Lernprozess als auch die Robustheitsbewertung von KI-Modellen beschäftigen. Hierdurch soll eine effiziente Überbrückung von Deltas ermöglicht werden. Darüber hinaus werden wir auch Probleme auf Hardware-Software-Ebene betrachten, da die in einem Fahrzeug eingebetteten Systeme recht strengen Anforderungen unterliegen, die sich transitiv auch auf die mögliche Komplexität der KI-Modelle auswirken. OFFIS wird hier Methoden entwickeln, die eine Bewertung und Optimierung von Modellen hinsichtlich verschiedener Faktoren (Echtzeitfähigkeit, Speicherbedarf, …) ermöglichen.
Christian Neurohr, Lukas Westhofen, Tabea Henning, Thies de Graaff, Eike Möhlmann, Eckard Böde; 2020 IEEE Intelligent Vehicles Symposium (IV); 0Oktober / 2020