Fallstudie KI Wissen
Traditionelle KI-Ansätze für autonomes Fahren stoßen in sicherheitskritischen Situationen aufgrund begrenzter Daten an ihre Grenzen. Im Projekt KI Wissen integrierte fortiss wissensbasierte Methoden in das maschinelle Lernen, um Sicherheit, Interpretierbarkeit und Dateneffizienz zu verbessern. Dies schafft eine robuste Grundlage für zuverlässige und vertrauenswürdige autonome Systeme.
KI Wissen ist ein gemeinschaftliches Forschungsprojekt mit 15 Partnern aus Industrie, Forschungseinrichtungen, Universitäten und öffentlicher Verwaltung, das durch das Bundesministerium für Wirtschaft und Energie (BMWE) gefördert wurde. Ziel war es, datengetriebene KI durch Wissensintegration zu erweitern, um die funktionale Qualität, Sicherheit und Effizienz im autonomen Fahren zu steigern.
Herausforderung
Autonome Systeme haben Schwierigkeiten, seltene oder komplexe Szenarien sicher zu bewältigen, da das Lernen rein datengetrieben erfolgt. Konventionelle Machine-Learning-Ansätze erfordern jedoch große Mengen an Trainingsdaten, die für kritische Verkehrssituationen oft nicht verfügbar sind, was die Zuverlässigkeit der KI einschränkt.
Lösung
fortiss entwickelte hybride KI-Methoden, die verkehrsrelevantes Wissen, physikalische Randbedingungen und Verhaltensregeln direkt in das KI-Training für höhere Robustheit und Transparenz integrieren. Dazu gehörte die Entkopplung von Eingabedatenmerkmalen wie Form, Farbe und Orientierung zur Verbesserung der Modellinterpretierbarkeit. fortiss entwickelte zudem Ansätze zur Unsicherheitsabschätzung, um Modellausgaben zu verifizieren und die Konformität mit dem beabsichtigten Verhalten sicherzustellen.
Alle Methoden wurden umfassend getestet und in realitätsnahen Szenarien für Objekt- und Fußgängererkennung sowie in der robusten Umgebungswahrnehmung demonstriert.
Ergebnis
- Entwicklung hybrider KI-Methoden, die Wissen in datengetriebene Modelle für autonomes Fahren integrieren
- Verbesserung der Objekt- und Fußgängererkennung durch wissensangereichertes Lernen
- Erhöhte Modellinterpretierbarkeit durch Entkopplung von Eingabemerkmalen
- Entwicklung von Unsicherheitsabschätzungsansätzen zur Sicherstellung von Verhaltenskonformität und Sicherheit
- Nachweis der Anwendbarkeit in realen Szenarien, wodurch Vertrauen in KI-basierte Fahrfunktionen gestärkt wird
Fazit
KI Wissen zeigte, dass die Kombination von wissensbasierten Methoden mit maschinellem Lernen die Sicherheit, Dateneffizienz und Interpretierbarkeit von KI erheblich verbessert. Die innovativen Ansätze von fortiss ermöglichen vertrauenswürdige autonome Systeme, die komplexe Verkehrssituationen zuverlässig bewältigen können, und setzen damit neue Maßstäbe für die zukünftige KI-Entwicklung in der Mobilität.
Projektpartner
