Fahrerassistenz und autonomes Fahren Autobrains entwickelt Liquid AI für unerwartete Fahrszenarien

Mit Liquid AI hat Autobrains eine neue KI-Technologie vorgestellt, die drei Herausforderungen adressiert: Edge Cases, Kosten und die fehlende Wechselwirkung zwischen Perception und Decision-Making.

Liquid AI verbindet den selbstlernenden Ansatz von Autobrains mit einer modularen und adaptiven Architektur, die spezialisierte, Szenario-basierte End-to-End-Netzwerke einsetzt. „Während aktuelle Technologien bei der Bewältigung konventioneller Fahraufgaben gut abschneiden, versagen sie bei Edge Cases, unerwarteten Fahrszenarien, die besondere Präzision erfordern. Durch die Nutzung unserer Liquid AI können Automobilhersteller ihre KI-Lücken schließen“, erläutert Igal Raichelgauz, Gründer und CEO von Autobrains.

Herausforderungen meistern

Bei Edge Cases kommen heutige KI-Systeme an ihre Grenzen. Die zig möglichen, unerwarteten Fahrszenarien sind für diese Systeme praktisch unlösbare Aufgaben. Den heutigen manuell trainierten Black-Box-Systemen fehlt die Fähigkeit, Sonderfälle zu erfassen. Versuche, dieses Problem zu beheben, indem die Systeme mit mehr manuell gelabelten Bildern gefüttert werden, führen zu einem Verlust an Nachvollziehbarkeit und Kontrolle.

Hohe Kosten

Die Bewältigung realer Fahrprobleme durch Aufblähen bestehender Systeme mit mehr Daten, Labeln, Schichten und Rechenressourcen führt zu steigenden Kosten und einem höheren Stromverbrauch. Beispielsweise sind, um eine wesentliche Verbesserung der Systemgenauigkeit um den Faktor zehn zu erreichen, 10.000-mal mehr Rechenressourcen erforderlich.

Entkopplung von Wahrnehmung und Entscheidung

Auch das fehlende Zusammenspiel zwischen Wahrnehmungs- und Entscheidungsfunktionen behindert eine effektive und präzise Entscheidungsfindung. Damit die künstliche Intelligenz optimale Fahrentscheidungen treffen kann, benötigt sie spezifische Informationen. Wenn jedoch Details fehlen oder zu komplex sind, wird die Präzision beeinträchtigt, was zu falschen Reaktionen führt.

Menschliches Gehirn als Vorbild

Das israelische Unternehmen orientiert sich an den Fähigkeiten des menschlichen Gehirns. Dieses besteht aus spezialisierten Bereichen, die einer aufgabenspezifischen, einfach aufgebauten End-to-End-KI ähneln. So wie das Gehirn seine Architektur kontextabhängig anpasst – zum Beispiel an die Licht- und Wetterbedingungen, die Umgebung und relevante Verkehrsteilnehmer – verfolgt Liquid AI denselben Ansatz.

Funktionsweise

Liquid AI besteht aus Hunderttausenden spezialisierten KI-Systemen (Skills), die jeweils für bestimmte Aufgaben entwickelt wurden und präzise sowie auf das jeweilige Fahrszenario zugeschnittene Reaktionen ermöglichen. Dieser spezialisierte KI-Ansatz ermöglicht eine Skalierbarkeit, die von einigen Dutzend bis zu Hunderten von Skills für ADAS-Systeme, über Tausende von Skills für höhere Stufen des automatisierten Fahrens, bis hin zu Hunderttausenden von Skills für das autonome Fahren reicht. Darüber hinaus verfügt die Lösung über eine adaptive Architektur. Im Gegensatz zu festen Systemen passt sich die Architektur dynamisch an die Fahraufgabe an und aktiviert bedarfsgerecht nur relevante Module. Dadurch werden der Stromverbrauch und die Rechenanforderungen erheblich reduziert, was unter anderem zu Kosteneinsparungen bei den SoCs führt.  (se)

Künstliche Intelligenz

Bosch und Microsoft setzten auf generative KI für automatisiertes Fahren

Automatisiertes Fahren, SDV, KI und Elektromobilität

VDA Technischer Kongress: Stottert der deutsche Innovationsmotor?

(ID:49962358)