1. DEUTSCH
  2. News
  3. Stories
  4. 2019
  5. 06
  6. Volkswagen Neuronale Netze

Wir setzen Cookies (eigene und von Drittanbietern) ein, um Ihnen die Nutzung unserer Webseiten zu erleichtern und Ihnen Werbemitteilungen im Einklang mit Ihren Browser-Einstellungen anzuzeigen. Mit der weiteren Nutzung unserer Webseiten sind Sie mit dem Einsatz der Cookies einverstanden. Weitere Informationen zu Cookies und Hinweise, wie Sie die Cookie-Einstellungen Ihres Browsers ändern können, entnehmen Sie bitte unserer Cookie-Richtlinie. Akzeptieren

Digitale Neuronen „fahren“ autonom

Neuronale Netze

Das menschliche Hirn, seine Neuronen und Synapsen sind das Vorbild für künstliche neuronalen Netze, eine besondere Spielart der künstlichen Intelligenz (KI). Diese Netze können lernen, Muster zu erkennen – und eigenständig zu handeln.

Neuronale Netze können Vieles: Zum Beispiels erkennen, wie glatt die Straße ist

Weiße Flocken schweben herab, die Straße schneit ein und wird rutschig. Was macht man als Fahrer? Vorsichtig fahren, lenken, bremsen, klar. Doch wie soll sich ein autonomes Fahrzeug in der veränderten Fahrsituation verhalten? Wie die Glätte der Straße bestimmen, das komplexe Zusammenspiel aller Faktoren berechnen? „Was für Maschinen leicht ist, ist für Menschen meist schwer – und umgekehrt“, sagt Paul Hochrein, der im Volkswagen Konzern im Bereich Fahrdynamikregelung am autonomen Fahren forscht.

Forschungskooperation von Volkswagen und Stanford

Was für Menschen meist unbewusst abläuft, muss die künstliche Intelligenz (KI) eines autonomen Fahrzeugs mehrmals pro Sekunde neu berechnen, mit internen Datensätzen und dem Input zahlreicher Sensoren abgleichen; die Umgebung im Blick behalten, zahlreiche geschriebene und ungeschriebene Regeln befolgen, in Sekundenbruchteilen auf neue Situationen reagieren. Unter anderem eben auch: Erkennen, wie glatt die Straße ist – und entsprechend fahren. Das ist ein wichtiger Teilbereich des autonomen Fahrens, an dem der Volkswagen Konzern gemeinsam mit der kalifornischen Elite-Universität Stanford forscht.

Extremsituationen beim autonomen Fahren

Der Fokus liegt dabei auf der Anwendung künstlicher Intelligenz beim autonomen und assistierten Fahren in allen denkbaren Situationen auf der Straße. „Wir wollen am Auto den Beweis antreten, dass das geht“, sagt Hochrein und verweist auf das renommierte Pikes Peak Rennen in Kalifornien, bei dem der Volkswagen Konzern bereits diverse Rekorde erzielt hat. Generell gebe es für eine KI beim autonomen Fahren vor allem zwei Herausforderungen: Fahren am Limit auf der Rennstrecke und Fahren im Straßenverkehr in der Großstadt. „Wenn ein Gesamtsystem inklusive KI derlei Extremsituationen beherrscht, ist man schon einen sehr großen Schritt weiter“, sagt Hochrein. Natürlich müsse hierfür auch die entsprechende Sensorik und Datenverarbeitung als Grundlage vorhanden sein.

Ob Rennstrecke oder Großstadt: Wie soll ein autonomes Fahrzeug mit Schneefall und anderen Straßenverhältnissen umgehen? Eine Antwort darauf haben der Volkswagen Konzern und Stanford erarbeitet: ein künstliches neuronales Netz, das verschiedene Untergründe erkennen und entsprechend darauf reagieren kann. Und das besser und flexibler als ein klassisches Programm, das Aufgaben wie etwas teilautonomes Fahren nur mit immensem vorhergehenden Programmieraufwand erledigen kann. Künstliche neuronale Netze sind eine spezielle Form von künstlicher Intelligenz – und von großer Bedeutung für die Entwicklung autonomen und assistierten Fahrens.

Nicht genau genug für die Wirklichkeit

Die Volkswagen AG testet autonomes Fahren in Hamburg¹

Hochrein erklärt künstliche Intelligenz so: „Mathematische Funktionen, die so agieren, wie ein Mensch agieren würde.“ Doch beim autonomen Fahren gibt es da ein Problem. „Wenn wir einfache Algorithmen verwenden, machen die zwar ungefähr das, was sie tun sollen. Aber sie bilden die Wirklichkeit nicht genau genug ab für sicheres autonomes Fahren“, sagt Hochrein. Schließlich müssen beim Fahren gigantische Mengen unterschiedlicher Daten verarbeitet werden: vom Lenkradwinkel über das mögliche Verhalten des entgegenkommenden Motorrads bis zur Frage, ob die Ampel da vorne rot oder grün zeigt und ob sie überhaupt auf der eigenen Spur ist.

Der ID.VIZZION² benötigt aufgrund von KI kein Lenkrad mehr

„All dies mathematisch abzubilden, führt zu sehr komplexen Formeln“, sagt Hochrein. Deshalb benötige man hier etwas anderes – ein Programm, das eigenständig mit großen Datenmengen umgehen und ein bestimmtes Verhalten daraus ableiten könne. Eine Art maschinelles Hirn, aus digitalen Nullen und Einsen, das nicht bis in jede Einzelheit programmiert werden muss, sondern sich mit menschlicher Hilfe selbst so programmiert, dass am Ende das erwünschte Ergebnis herauskommt.  

  • 100 Billionen Synapsen

    Das physikalische Vorbild, das menschliche Gehirn, besteht aus bis zu 100 Milliarden Nervenzellen, auch Neuronen genannt. Und jedes dieser Neuronen wiederum unterhält rund 1.000 Verbindungen zu den anderen Neuronen um sich herum – mal mehr, mal weniger. Diese Verbindungen werden Synapsen genannt, davon gibt es insgesamt also rund 100 Billionen pro Hirn. Um es einmal auszuschreiben: 100.000.000.000.000 Stück. Sie bilden ein hochkomplexes Netz, das zahlreiche Funktionen erfüllt – und das nicht nur Hirnforscher, Psychologen und Mediziner, sondern auch Informatiker begeistert.

    Im menschlichen Hirn läuft das so: Chemische und elektrische Impulse jagen durch die Synapsen von Neuron zu Neuron, die dadurch in bestimmten Mustern aktiviert werden, also „feuern“. Stark vereinfacht ist das die Aktivität des Gehirns: Synapsen und Neuronen feuern in bestimmten Mustern und Rhythmen. Lernprozesse im Hirn kann man sich so vorstellen, dass bestimmte Neuronen häufiger als andere aktiviert werden, wodurch manche Synapsen stärker werden, so dass aus Trampelpfaden Autobahnen werden – und andersherum: Synapsen, die weniger oft verwendet werden, bauen ab.

Experimentieren mit Hundefotos

Ähnlich läuft das bei künstlichen neuronalen Netzen: Sie probieren aus, welche Muster zu erwünschten Ergebnissen kommen. Welches Neuron wie stark mit welchen anderen Neuronen verknüpft wird, wählt das Netz selbst aus. Anders gesagt: Die ursprüngliche Programmierung gibt nur den groben Rahmen vor – und die KI befüllt die Details anhand von Vorgaben eigenständig. Diese Muster werden beibehalten und verstärkt. Das geht allerdings nur, wenn sie richtig trainiert wird.

Ein Beispiel: Ein neuronales Netzwerk soll lernen, Fotos von Hunden zu erkennen – und nicht mit beispielsweise denen von Katzen zu verwechseln. Es erhält dafür verschiedene Sets an Fotos von verschiedenen Hunden, außerdem auch von Katzen, sowie die dazugehörige Information, welcher Output der richtige ist.  

  • Künstliche neuronale Netze und Deep Learning

    Künstliche neuronale Netze müssen sehr viele Informationen auf einmal verarbeiten. Dafür benötigt man parallel arbeitende Rechner. Dabei sind es nicht CPUs, die mittlerweile dafür verwendet werden, sondern Grafikkarten, GPUs, die man parallel schaltet, und die vor allem für die Spiele-Industrie entwickelt wurden. „Ohne die stünden wir jetzt nicht da, wo wir stehen“, sagt Hochrein. Je nach Art des Netzwerks gibt es dabei verschiedene Schichten zwischen dem Input und dem Output. Je mehr Schichten, je mehr Rechenpower, je mehr künstliche Neuronen und Synapsen, desto besser die Performance. Insgesamt ist es ein System aus mathematischen Gleichungen, mit flexiblen Parametern und einer großen Anzahl verschiedener Kombinationsmöglichkeiten zwischen den verschiedenen Neuronen – zwischen 400 und 40.000.000. Je mehr Schichten, desto tiefer: Das ist dann Deep Learning, eine Unterform der künstlichen neuronalen Netze.

Zu Beginn dürfte das Programm noch viele Fehler machen – es gibt ja viele verschiedene Hunderassen, mit unterschiedlichen Formen von Ohren, Schnauzen, Körpern. Es analysiert und experimentiert selbständig die zahlreichen Pixel, erkennt Muster und Unterscheidungsmerkmale, setzt sie zueinander in Beziehung. Und lernt dabei, welche Parameter es in sich so verändern muss, dass der Weg durch sein Innerstes, vom Input des Fotos zum Output „Das ist ein Hund“ richtig ist.

Sind Chihuahuas Hunde?

Irgendwann wird das Programm mit einer gewissen Wahrscheinlichkeit bestimmen können, dass ein Chihuahua als Hund zählt, und zwar ohne, dass es ihm vorher explizit als die richtige Lösung angekündigt wurde. Je nach technischer Ausstattung und Programmierung kann das unterschiedlich lange dauern. Wie es die Verbindung von Foto zum Ergebnis erstellt, welche Neuronen da wie feuern, bleibt dem Netzwerk mit seinen zahlreichen Knotenpunkten und Verbindungen selbst überlassen. Hauptsache, es funktioniert. Das vielleicht bekannteste Beispiel eines künstlichen neuronalen Netzwerks jüngster Zeit ist vielleicht AlphaGo, ein Programm der Firma DeepMind, die zu Google gehört.

AlphaGo ist Weltmeister

Lange Zeit galt das asiatische Brettspiel Go als eine der letzten Bastionen menschlicher Intelligenz und Intuition. Es ist weitaus komplexer als Schach: In einem Spiel sind mehr Kombinationsmöglichkeiten möglich, als es Atome im Universum gibt, so heißt es. Doch 2016 wurde auch diese Festung gestürmt: Ein neuronales Netzwerk wurde über Monate hinweg trainiert, mittels Deep Learning, einer speziellen Art von neuronalen Netzwerken, die besonders gut selbstständig lernen kann. Mehr als 30 Millionen Partien spielte es. Und besiegte dann den bis dahin amtierenden Go-Weltmeister, Lee Sedol aus Südkorea, der zehn Jahre lang die Nummer eins war.

„Das war der Durchbruch“, sagt Hochrein. „Die Grundidee für künstliche neuronale Netzwerke gab es schon lange, aber jetzt kamen Fortschritte in der Informatik mit Fortschritten in der Rechenpower zusammen.“ Was das autonome Fahren angeht, ist Hochrein optimistisch: „Stufe 5, also das vollständig automatisierte Fahren, ist grundsätzlich machbar, aber es ist eine hochkomplexe Aufgabe, das sicher auf die Straße zu bringen.“ Dabei sollte man nicht nur auf neuronale Netze setzen – für bestimmte Aufgaben eigneten sich durchaus auch klassische Programme. „Neuronale Netze sind kein Allheilmittel“, sagt Hochrein, „aber für die Entwicklung von autonomem und assistiertem Fahren sind sie enorm wichtig.“

Verbrauchskennzeichnung

1 e-Golf: Stromverbrauch: 14,1 – 13,2 kWh/100 km, CO2-Ausstoß: 0 g/km, Effizienzklasse: A+

2 Studie