Unterwegs im Internet der Autos

Autonomes Fahren: Einblicke ins digitale Ökosystem selbstfahrender Autos

Stefan Ebener

© Shutterstock.com/carlos castilla/

Auto- und IT-Konzerne verordnen künstlicher Intelligenz straffe Trainingseinheiten, um die nächste Entwicklungsstufe für das autonome Fahren zu zünden. Um auch beim Auswerten der Daten Gas zu geben, nimmt nicht jeder beim Training erhobene Messwert die Extrarunde vom Rechenzentrum auf Rädern über die Cloud. In diesem spannenden Entwicklungsrennen mischt vorne mit, wer seine IT-Infrastruktur und Datenmanagement am besten abstimmt.

Auf das Konto von autonom fahrenden Taxis werden bis 2030 voraussichtlich knapp 30 Prozent der weltweit zurückgelegten Kilometer gehen. Diese Zahl setzt sich nicht etwa Uber als ehrgeiziges Ziel, sondern sie stammt von Roland Berger. Das Beratungsunternehmen kommt in seiner Analyse „Automobilbranche im Wandel“  von 2016 zu dieser Prognose. Diese stützt sich auf die Tatsache, dass sich die größten Innovationen im Automobilsektor auf das autonome und vernetzte Fahrzeug konzentrieren. Doch die bisherige Entwicklung polarisiert: Technikfans sind begeistert, welche neuen Möglichkeiten sich ergeben.

Andere würden hingegen nur mit Unbehagen oder Angst in ein Auto steigen, das sich ohne ihr Zutun den Weg durch den Verkehr bahnt. Sie vertrauen der Technik nicht, die richtigen Entscheidungen in jeder Verkehrssituation zu treffen. Sofort stehen dann auch ethische Grundfragen im Raum, um den Schutz persönlicher Daten und die Sicherheit auf den Straßen zu gewährleisten. Dazu hat im Sommer eine Ethikkommission um den Verfassungsrechtler Udo Di Fabio zwanzig Regeln aufgestellt. Darunter findet sich die wesentliche Vorgabe, dass Autos in gefährlichen Situationen nicht nach Alter, Geschlecht oder Herkunft entscheiden sollten. Diese Herausforderungen müssen und werden die Entwickler lösen, sonst setzt sich die Technik nicht durch. Welche Strecke sie bereits auf dem Weg dorthin bewältigt haben, lässt sich am besten an dem sechsstufigen Modell der internationalen Ingenieurs- und Automobilindustrievereinigung SAE zeigen.

Am Ende haben die Systeme das Sagen

Das SAE-Modell führt beispielsweise zurück zum guten alten VW Käfer. In dem konnte der Fahrer höchstens von Assistenzsystemen träumen. Er musste alles selbst tun – in der Stufe 0. Die ersten Assistenzsysteme wie Tempomat und Notbremsassistent tauchten in der Stufe 1 auf. Der Fahrer steuerte und musste auf den Verkehr achten. Erstes teilautomatisiertes Fahren zeichnet die Stufe 2 aus, wobei das autonome Geradeausfahren auf der Autobahn heraussticht. Stockt der Verkehr, übernimmt der Staupilot. Stufe 3 erfüllt die Kriterien für das hochautomatisierte Fahren. Die Systeme steuern in einigen Situationen, etwa beim Überholen und Ausweichen, komplett selbst. Der Fahrer behält jedoch die Straße ständig im Blick, denn er muss jederzeit eingreifen können. Das vollautomatisierte Fahren beginnt mit der Stufe 4. Reagiert der Fahrer nicht auf Warnungen, handeln die Systeme selbstständig. Die Technik im Auto verbindet sich mit dem Verkehrsfluss, so verarbeitet sie unter anderem Ampelsignale oder kommuniziert mit anderen Fahrzeugen. Das fahrerlose Auto beschreibt die Stufe 5. Zu diesem Entwicklungsniveau führen neuronale Netze. Diese basieren auf dem Zusammenspiel von Deep-Learning-Algorithmen, also auf künstlicher Intelligenz. Diese ist in der Lage, immer ausgereiftere Entscheidungen zu treffen und das Auto zu steuern. Künstliche Intelligenz übernimmt das Kommando. Der Autofahrer nutzt das Auto als Mitfahrer.

Die Algorithmen sind heute allerdings noch schlicht. Sie decken die Entwicklungsstufe 3 ab und müssen noch viel lernen. Daran arbeiten Autoindustrie und Technologiekonzerne. Für den serienmäßigen Sprung auf die Stufe 4 gilt es, weitere Hürden aus dem Weg zu räumen. So ist es nötig, einen einheitlichen Standard für die Car2Car Communication zu schaffen. Fahrzeuge tauschen hierbei im Vorbeifahren relevante Informationen über Verkehr, Straßenzustand, Witterungsverhältnisse und freie Parkplätze aus. Oder sie informieren andere Pkw, die ebenso auf eine Kreuzung zufahren, ohne dass eine direkte Sichtverbindung besteht. Im nächsten Schritt muss zudem die Kommunikation mit der Umwelt – Car2X Communication – realisiert und verstärkt an hochauflösenden Karten gearbeitet werden.

Von der Standard- zur Deluxe-IT im Auto

Mit Test- und Serienfahrzeugen visieren Autohersteller die vierte Stufe des autonomen Autos an. Bei beiden Varianten wächst das digitale Ökosystem ständig. Zur Standardausstattung zählen die Radareinrichtung für das Leitsystem, die Laserabtastung sowie sechs bis acht HD-Kameras. Unzählige Sensoren erfassen Informationen und senden die Werte an das System im Auto. Intelligente Fahrzeuge verwenden die Daten, um Nutzer- oder Fahrerprofile zu erzeugen. Zu diesen Profilen tragen die nativen Daten wie Öltemperatur oder Geschwindigkeit bei.

Technologisch kreist beim autonomen Auto alles um die neuronalen Netze. Ihre Deep-Learning-Algorithmen bilden das Herzstück im digitalen Ökosystem. Ohne HD-Maps lassen sich die neuronalen Netze jedoch nicht verbessern. Die hochauflösenden Karten bilden die gesamte Umgebung des Autos in 3-D ab. Die Aufnahmen machen Kameras, wofür jede im Schnitt pro Sekunde 150 Megabit Daten produziert – Daten fluten das System im Auto. So soll ein Google-Fahrzeug ein Gigabyte an Daten pro Sekunde erzeugen. Diesem immensen Datenaufkommen halten die IT-Systeme stand, weil sie mittlerweile mehr als 100 CPU-Kerne umfassen. Das ist erst der Anfang einer Entwicklung, die Nvidia und Bosch weiter vorantreiben wollen. Ihre Entwicklungskooperation zielt auf einen massenmarkttauglichen Bordcomputer für künstliche Intelligenz (Abb. 1). Die Basis für das Rechenzentrum auf Rädern bilden die Drive-PX-Plattform und die Xavier-Technologie von Nvidia. Letztgenannte verspricht 30 Billionen Rechenoperationen pro Sekunde, wobei sie nur 30 Watt Energie verbraucht.

Autonomes Fahren birgt für den Automotive-Sektor das größte Innovationspotenzial, ist aber ohne richtiges Datenmanagement zum Scheitern verurteilt

Beachtliche Trainingsergebnisse

Über Testfahrten kommen Autohersteller und IT-Konzerne an die Daten, die für das Lernen der neuronalen Netze nötig sind. Welche Größe die Trainingsprogramme angenommen haben, verdeutlichen ein paar Zahlen, die von den Unternehmen selbst stammen: Tesla verweist auf 780 Millionen Testkilometer. Bei der Google-Fahrzeugflotte sollen sich 3,8 Millionen Kilometer auf den Tachos summiert haben. Auf jedem der Testkilometer stellt sich ein gewisser Lernfortschritt ein, der jedoch einen hohen Aufwand erfordert. Allein für das Berechnen des Spurhalteassistenten werden pro Sekunde Unmengen an Videodaten in Echtzeit verarbeitet.

Das Training schafft die Voraussetzung, um wie im Sport magische Grenzen zu überschreiten. Einen solchen Schwellenwert für das autonome Fahren stellen 1 000 unterschiedliche Objekte dar. Künstliche Intelligenz soll Ampeln, Fußgänger, Pkw oder Motorradfahrer in dieser Größenordnung automatisch erkennen. Dafür müssen neuronale Netze aus zehn Layern bestehen und ungefähr 10 Millionen Bilder verarbeiten. Während ein Bild rund 8 MB groß ist, summiert sich die Datenmenge auf 80 TB, um die 1 000 Objekte zu kategorisieren. Plausibel erscheint so auch eine Zahl von BMW: Der Konzern hat auf der Bosch Connected World in Berlin in diesem Jahr erklärt, über rund 500 Petabyte an Daten aus Connected Car und Autonomous Vehicle zu verfügen.

Die Daten im Fluss halten

Wie bei einer Anwendung für das Internet der Dinge (IoT) stehen Hersteller von autonomen Autos vor der Aufgabe, ein Datenflussmodell zu etablieren. Das Sammeln, Transportieren, Speichern, Analysieren und Archivieren der Daten muss reibungslos laufen. Das verlangt in erster Linie den Einsatz offener, skalierbarer Speicherplattformen, die keinen architektonischen Limits unterliegen. Sie sind prädestiniert, einen Data Lake aufzubauen. Dort landen die gewonnenen Daten, die für das Training der neuronalen Netze benötigt werden. Um einen Data Lake umzusetzen, holen sich OEM (Original Equipment Manufacturer) Unterstützung bei IT-Unternehmen. Die IT-Experten helfen beim Datenmanagement, das auf Big Data Analytics beruht und beispielsweise über Hadoop-Cluster mit MapR und E-Series realisiert wird.

Kooperationen zwischen Herstellern und IT- und Datenmanagementspezialisten wie NetApp existieren auch, um Daten aus dem Auto gesammelt ins Rechenzentrum zu replizieren. Weitere Schwerpunkte in der Modernisierung der IT-Infrastruktur liegen in der Multi-Cloud-Anbindung oder im Gestalten von Plattformen, auf der neuronale Netze trainiert werden. Bewährt hat sich zudem, Objektspeicher einzusetzen. Prinzipiell umfasst in dem Fall ein abgelegtes Objekt die Daten selbst, Metadaten und Kennzeichnung (Unique Identifier). Interessant sind Objektspeicher für die Langzeitarchivierung der Daten, die selbstfahrende Fahrzeuge erzeugen. Das geschieht in selbstorganisierten Archiven, in denen Daten komprimiert und verteilt werden. Solche Objektspeicher sind in Hadoop integrierbar, was den Datenzugriff erlaubt. Der Anspruch muss sein, unstrukturierte Daten jeder Größenordnung zu speichern und zu managen. Eine Storage-Infrastruktur für Cloud-Applikationen wie die von NetApp für AWS S3 (Amazon Web Service Simple Storage Service) steigert zudem die Effizienz und sorgt für strikte Daten-Governance. Geeignet sind diese Speicherarchitekturen unter anderem für die Videodatenablage beim vernetzten Fahren.

Intelligentes Interagieren der IT

Die Entwickler beschäftigten sich heute verstärkt damit, den intelligenten Systemen Effizienz beizubringen. Dieses Ziel führt über die optimale Einstellung der einzelnen IT- und Softwarekomponenten, die im Auto, in der Cloud und im Rechenzentrum in Betrieb sind. Wo diese IT-Ressourcen bereitstehen, ist unerheblich, ihr Zusammenspiel muss reibungslos im gesamten Datenflussmodell funktionieren. Intelligentes Interagieren ist gefragt, wofür beispielsweise ein Fahrzeugsystem nur die Daten überträgt, die sich verändern. Die Abweichungen liefern den Stoff, neue Algorithmen zu berechnen. Was hierbei als Ergebnis herauskommt, wird ins Auto übertragen – und nichts anderes.

Es gibt jedoch Daten, die das System sofort im Auto verarbeiten muss. Das trifft zum Beispiel auf die Kameradaten zu, weil sie oft die Grundlage bilden, Entscheidungen in Echtzeit abzuleiten. Das kann der Fall sein, wenn ein Auto bremst, beschleunigt oder einem Hindernis ausweicht. Es besteht also nicht die Notwendigkeit, diese Daten in die Cloud zu transferieren. Das Kameradatenbeispiel legt im Umkehrschluss einen wesentlichen Aspekt offen, den Hersteller zu berücksichtigen haben: Ein autonomes Auto muss offline handlungsfähig sein. Selbst wenn die Mobilfunkverbindung abreißt, darf die Car2Car Communication nicht zusammenbrechen.

Beschleunigt Bandbreitenplus Big Data?

Fest steht, dass eine Datenmanagementplattform den Aufwand erheblich senkt, wenn sie Verwaltung, Übertragung und Format in der IT-Architektur vereinheitlicht. So greifen bei der Data Fabric von NetApp unabhängig vom System dieselben Prozesse und Tools, wodurch die Effizienz steigt. Daran müssen alle arbeiten, die autonome Autos entwickeln. Warum? Das unterstreicht ein kurzer Rückgriff auf das Google-Fahrzeug, das ein Gigabyte an Daten pro Sekunde erzeugt: Ein Bundesbürger fährt im Schnitt 114 Stunden pro Jahr Auto, dabei würde ein halbes Petabyte Daten anfallen. Bei 45,8 Millionen Pkw auf deutschen Straßen  ergibt sich allein für den deutschen Raum eine unvorstellbare Zahl von 22,9 Zettabyte pro Jahr. Ohne effiziente und sehr bandbreitenschonende Datenmanagementlösungen wird es nicht gelingen, die Informationen sauber zu übertragen und auszuwerten. Das schließt auch die Datenflut ein, die selbstfahrende Autos bereits heute produzieren. Das Effizienzgebot weicht zudem der neue Mobilfunkstandard 5G, der 2018 eingeführt wird, keineswegs auf. Er ändert nichts an dem Fakt, dass die Bandbreite nicht mit den explodierenden Datenmengen von autonomen und vernetzen Autos Schritt halten kann. Bandbreite bleibt ein limitierender Faktor, weshalb das Arbeiten an der Effizienz der intelligenten Systeme weiter an Bedeutung gewinnt.

Entscheidungsfähige IT-Architektur und der Abschied vom einfachen Servermodell

Der Fokus in der Entwicklung von autonomen Autos liegt auf neuronalen Netzen und HD-Karten, die große Datenpools erfordern. Deshalb bauen OEMs Data Lakes mit Hadoop-Clustern auf, um die erzeugten Daten abzuspeichern und ihre Systeme zu trainieren. Daneben stellen Kartendienste mit Objekterkennung einen weiteren unverzichtbaren Bestandteil auf dem Weg dar, Systeme darin zu schulen, die richtigen Entscheidungen in bestimmten Verkehrssituationen zu treffen. Das Niveau des vollautomatisierten Fahrens erreichen Autohersteller jedoch nur, wenn sie ihre IT-Architekturen flexibler und skalierbarer gestalten sowie ein effizientes Datenmanagement etablieren. Letzteres setzt ein intelligentes Interagieren der IT- und Softwarekomponenten im Auto, in der Cloud und im Rechenzentrum voraus.

Ähnlich hohe Anforderungen ergeben sich für vernetzte Autos, deren Fortschritt mit dem autonomen Fahren verknüpft ist. Die Autohersteller konkurrieren mit Zulieferern, IT-Konzernen und Start-ups darum, Services ins Auto zu bringen. Der Fahrer fährt die Daten für digitale Dienste ein, für die er zahlen soll. Gefragt ist in diesem spannenden Innovationsumfeld die Fähigkeit, den Nutzerbedarf über Datenanalyse zu ermitteln und in einer Software abzubilden. Taxi-Apps, Car-Sharing-Dienste oder Werbung, Kommunikations- und Bildungsangebote sowie Social Media und Bezahldienste werden zu vertrauten Anwendungen, die sich im Auto per Touchscreen starten lassen. Funktionalität und die anfallenden Daten sind die Kriterien, nach denen sich der Wettbewerb differenziert. Wer es schafft, Synergien von Social, Mobile, Analytics und Cloud zu generieren, dem bietet sich enormes Potenzial, digitale Werte abzuschöpfen. Das impliziert in der Umsetzung neue Workloads, die auf Infrastructure Deployments beruhen. Das einfache Servermodell hat damit ausgedient, Infrastructure-as-a-Service wird sich verbreiten.

 

Geschrieben von
Stefan Ebener
Stefan Ebener
Dr. Stefan Ebener, Data Scientist und Wirtschaftsinformatiker, leitet seit 2016 die europaweiten Verticals „Automotive & Manufacturing“ beim Datenmanagementspezialisten NetApp. Der Strategy & Innovation Manager beschäftigt sich intensiv mit „Machine Learning for Autonomous Driving“ und „Data Analytics“.
Kommentare

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.