Neuigkeiten aus erster Hand?
Neuigkeiten und Hintergründe aus der Dichtungstechnik erfahren, innovative Produkte kennenlernen – im kostenlosen E-Mail-Newsletter von Freudenberg Sealing Technologies.
- Home
- News & Stories
- Magazin
-
Zurück zu
Digitalisierung
- Beschleuniger für die Automobilbranche: KI
Beschleuniger für die Automobilbranche: KI
Künstliche Intelligenz revolutioniert die Software-Entwicklung in der Automobilindustrie, in der noch überwiegend in Wenn-dann-Beziehungen gedacht wird. Die neuen Algorithmen kommen nicht nur beim hochautomatisierten Fahren zum Einsatz, sondern sollen nahezu jedes Problem lösen, dem mit klassischer Regelungstechnik nicht beizukommen ist.
Fast wäre der große Auftritt an einer durchgezogenen Linie gescheitert. Als Daimler-Ingenieure im Jahr 2013 eine S-Klasse so umrüsteten, dass das Fahrzeug die historische Ausfahrt von Bertha Benz vollständig automatisch nachfuhr, gelang ihnen vieles. Das Fahrzeug bewegte sich umsichtig im Stadtverkehr von Ladenburg und fuhr auf der Landstraße nie zu dicht auf. Nur wenn ein Lieferwagen die Spur blockierte, wurde der rollende Supercomputer zum Verkehrshindernis. Denn er hielt sich, wie von seinen Erschaffern vorgesehen, streng an die Verkehrsregeln. Und die besagen nun einmal, dass eine durchgezogene Linie nicht überfahren werden darf. Spätestens da muss klar geworden sein: Hält man an der klassischen Regelungstechnik fest, wird es nichts mit dem autonomen Fahren in urbanen Räumen. Denn es ist schlicht unmöglich, eine Maschine so zu programmieren, dass sie auf alle möglichen Fälle und Zufälle im Stadtverkehr vorbereitet ist. Es bedarf einer Software, die Regelkonflikte auf der Basis von Erfahrung löst. Die dafür benötigten Algorithmen sind künstliche neuronale Netze, die mit maschinellem Lernen trainiert werden.
Hochautomatisiertes Fahren: Künstliche Intelligenz ist ein entscheidender Faktor bei der Entwicklung sich selbst steuernder Fahrzeuge. © istockphoto: 3alexd
Von Wenn-Dann-Beziehungen zu maschinellem Lernen
Der KI-Einsatz für das hochautomatisierte Fahren beginnt mit dem zweifelsfreien Erkennen dessen, was die Sensoraugen des Autos wahrnehmen. Denn was bereits für Kleinkinder eine leichte Übung ist, müssen Maschinen erst mühsam lernen. Den Schlüssel zur computergestützten Bilderkennung liefern tief geschichtete neuronale Netzwerke. Sie basieren auf einem mehrschichtigen System aus kleinsten Recheneinheiten, den sogenannten Neuronen. Jedes Neuron gibt seine Ergebnisse an die Neuronen in der darunter liegenden Schicht weiter – wobei die Regeln, nach denen sie berechnet und weitergegeben werden, sich fortlaufend verändern. Neuronale Netze können erst einmal gar nichts, sondern müssen trainiert werden – erst wenn sie Bilder von vielen Hunderassen gesehen haben, können sie einen Hund von einer Katze unterscheiden. Allerdings lässt sich dieser Prozess weitgehend automatisieren, indem man die Maschine mit Bildern und dazugehörigen Bildbeschreibungen, etwa aus Fotodatenbanken, füttert. Je mehr Schichten ein neuronales Netz aufweist, desto komplexer die Lernvorgänge, die es ermöglicht – daher stammt der häufig verwendete Begriff „Deep Learning“.
Bald schon könnte dank KI die Maschine im Auto das Kommando zeitweise übernehmen, wenn auch zunächst nur in bestimmten Straßenabschnitten, den sogenannten „Operational Design Domains“ (ODD), also auf einem bestimmten Straßentyp in einer klar umrissenen geografischen Region. Spätestens dann sind auch KI-Rechner an Bord der Fahrzeuge. Sie arbeiten mit Hochleistungschips, die aus der Welt der Computerspiele stammen. Die Grafikprozessoren sind dazu in der Lage, sehr viele Rechenoperationen parallel durchzuführen – und passen damit perfekt zu neuronalen Netzen, in denen die Rechenprozesse ebenfalls in sehr vielen kleinen Schritten erfolgen.
Wachstum für Assistenzsysteme und Komponenten
Doch künstliche Intelligenz kommt in der Automobilindustrie längst auch in vielen anderen Bereichen zum Einsatz. So sagt Patrick van der Smagt, der im Volkswagen Data:Lab in München eine Forschungsgruppe leitet: „Künstliche Intelligenz ist nicht nur für autonomes Fahren interessant, sondern für viele Facetten unseres Unternehmens, ob in der Produktion oder in der Ersatzteilversorgung.“ Als Beispiel nennt er eine konzerninterne Auftragsarbeit, bei der es um eine Software für ein elektrisches Rennfahrzeug ging. Sie sagt voraus, wann die Batterie vollständig entladen ist. „Das ist wichtig, um am Ende des Rennens die in der Batterie enthaltene Energie vollständig ausgenutzt zu haben, ohne vorzeitig stehen zu bleiben“, so der Experte. „Mit klassischer Regelungstechnik ist das nicht zu lösen.“
An einer anderen Anwendung arbeitet das Porsche Data Lab in Berlin. Der Ansatz, den Claudio Weck dort verfolgt: Über den technischen Zustand eines Systems verrät dessen Klang oft mehr als der äußere Anschein. Trainiert man ein auf Mustererkennung spezialisiertes KI-System mit typischen Klangbildern, kann es Abweichungen erkennen und Alarm schlagen. „Jedes technische System hat einen eigenen akustischen Fingerabdruck“, so Weck. „Abweichungen sind fast immer Hinweise auf eine deutliche Veränderung des Systemverhaltens.“
Ob vorausschauende Wartung oder die Steuerung der Produktion, ob die automatisierte Übersetzung von Trainingsunterlagen oder das Controlling von Marketingmaßnahmen: Es gibt kaum einen Bereich, in dem KI in der Automobilindustrie nicht eingesetzt werden kann. Indessen wächst der Markt vor allem für Komponenten, die assistiertes und teilautonomes Fahren ermöglichen - wie etwa Steuereinheiten, Kameras und Sensoren. Laut einer McKinsey-Studie ist zu erwarten, dass dieser Bereich der Zulieferindustrie von derzeit 8-12 Milliarden auf bis zu 80 Milliarden US-Dollar wächst.
Dieser Beitrag stammt aus unserem Unternehmensmagazin „ESSENTIAL“, in dem wir kontinuierlich über Trends und Schwerpunktthemen aus unseren Zielindustrien und -märkten berichten. Weitere Beiträge des Magazins finden Sie hier.
Weitere Storys zum Thema Digitalisierung
Zurück zum Anfang