Autonomes Fahren: Wichtige Fortschritte durch Kognitive Neuroinformatik

Die Arbeitsgruppe Kognitive Neuroinformatik hat jetzt in einem Projekt mit dem Automobilzulieferer Continental wichtige Forschungserfolge zur Entwicklung fortschrittlicher Fahrassistenzsysteme beigesteuert. Mithilfe Künstlicher Intelligenz werden komplexe Verkehrssituationen besser erkannt.

PRORETA 5 heißt das Forschungsprojekt, das der Automobilzulieferer vor kurzem mit seinen wissenschaftlichen Kooperationspartnern – neben der Universität Bremen waren die TU Darmstadt und die TU Iași (Rumänien) beteiligt – abschloss. “Am Ende gab es eine Fahrdemonstration in Darmstadt. Dort haben wir autonome Fahrfunktionen präsentiert, an denen wir intensiv mitgebarbeitet haben”, sagt Professorin Kerstin Schill, Leiterin der Arbeitsgruppe Kognitive Neuroinformatik der Universität Bremen. “Dabei war das Forschungsfahrzeug in der Lage, autonom dem Straßenverlauf mit einem vordefinierten Ziel zu folgen und dabei auf andere Verkehrsteilnehmer – Fußgänger, Fahrradfahrer und weitere Fahrzeuge – zu reagieren. Bei einem simulierten Sensorausfall, der die fehlende Erkennung eines Objekts zur Folge hatte, führte das Fahrzeug zusätzlich eine Notbremsung durch.”

Algorithmen sollen Fahrentscheidungen treffen

Ziel des PRORETA-Forschungsprojektes war die Entwicklung von Algorithmen. Sie sollen aus Sensordaten richtige, mit dem Menschen vergleichbare Fahrentscheidungen ableiten. Bei einer ungeregelten Kreuzung beispielsweise ist es eine Herausforderung, alle für die geplante Fahrtrichtung relevanten Objekte zu interpretieren. Es geht um deren Bewegungsrichtung, Intention und den Vorrang im Verkehr. Ohne menschliches Zutun soll die Künstliche Intelligenz (KI) sichere Entscheidungen treffen können. “Der große Vorteil der KI: Sie ist nach einer Trainingsphase in der Lage, aufgrund des Erlernten auch in unbekannten Situationen die richtigen Schlüsse zu ziehen”, erläutert die Informatik-Professorin. “Ein Teilbereich des Projektes war es, die menschlichen Fahrerinnen und Fahrer dabei zu beobachten, wie sie selbst die Komplexität der Umgebung reduzieren und bewerten. Die lernfähigen Algorithmen werden nun nach ähnlichen Prinzipien trainiert.”

Weitere Informationen dazu gibt es hier.