Deshalb wird Ihr Tesla bald selbstfahrend sein

Was ist Teslas Deep Learning und wie nutzt das Softwareunternehmen Milliarden von Kilometern, um seine neuronalen Netzwerke zu trainieren? In diesem Blog erfahren Sie, was Tesla auf dem Gebiet des autonomen Fahrens leisten kann, was die Konkurrenz noch nicht kann.

Es gibt eine Reihe wichtiger Faktoren, die bestimmen, wie gut ein Unternehmen seinen Fuhrpark oder seine Fahrzeugflotte zum autonomen Fahren bringen kann. Die Datenerfassung und -etikettierung ist einer der Schlüsselfaktoren für die Leistungsfähigkeit neuronaler Netze. Was ist also ein neuronales Netz? Ein neuronales Netz ist ein Netz von Sendern und Empfängern, die Informationen sammeln und verarbeiten.

Mit einer Flotte von rund 500.000 Fahrzeugen, die mit Teslas Full Self-Driving ausgestattet sind, legt Tesla täglich rund 24 Millionen Kilometer zurück, das sind 8,7 Milliarden Kilometer pro Jahr.

Es gibt drei Hauptbereiche, in denen Daten eine Rolle dabei spielen, wie gut autonomes Fahren erreicht werden kann:

• Computer Vision

• Vorhersage

• Routenplanung/Fahrpolitik

Eine wichtige Aufgabe des "Computer Vision" ist die Objekterkennung. Einige Objekte erscheinen nur selten auf der Straße. Der große Vorteil von Tesla ist, dass das Unternehmen über Fahrzeuge verfügt, die jedes Jahr Milliarden von Kilometern zurücklegen, denn so können sie viele Beispiele für seltene Objekte und Situationen sammeln. Das macht den Tesla in jeder erdenklichen Situation auf der Straße "autonom-sicher".

Teslas Director of AI, Andrej Karpathy, erklärt in diesem Video (aus seiner Präsentation auf dem Autonomy Day), wie Tesla Bilder zum Trainieren der Objekterkennung verwendet:

Unter der Vorhersage versteht man die Fähigkeit, die Bewegungen und Aktionen anderer Autos, Fußgänger und Radfahrer einige Sekunden im Voraus zu erkennen. Anthony Levandowski, der jahrelang einer der Top-Ingenieure von Googles Waymo war, einem der größten Konkurrenten von Tesla im Bereich des autonomen Fahrens, schrieb kürzlich, dass "der Grund, warum niemand volle Autonomie erreicht hat, darin liegt, dass die heutige Software nicht gut genug ist, um die Zukunft vorherzusagen".

Die Tesla-Flotte ist eine fantastische Quelle dafür, da Tesla derzeit die meisten teilautonomen Kilometer zurücklegt. Jedes Mal, wenn ein Tesla eine falsche Vorhersage macht, sendet er einen "Datenschnappschuss" an Tesla. Tesla kann dann eine abstrakte Darstellung der Szene hochladen (die Objekte als farbkodierte Würfelformen visualisiert und Informationen auf Pixelebene verwirft), die von seinen neuronalen Netzen für das Computersehen erzeugt wird, anstatt ein Video hochzuladen. Nachfolgend sehen Sie, wie Tesla Daten sammelt und kennzeichnet.

Die Kennzeichnung der Daten kann nur von Menschen vorgenommen werden. Ein neuronales Netz kann selbst Verbindungen zwischen der Vergangenheit und der Zukunft herstellen, indem es eine kausale Beziehung analysiert. Die Vorhersage von Situationen wird also von einer KI selbst gelernt! Sehen Sie sich dieses Video an, in dem das Verfahren erklärt wird:

Da Tesla nicht in allen Fällen auf die Beschriftung von Situationen durch die Mitarbeiter angewiesen ist, kann das Unternehmen seine neuronalen Netze trainieren, indem es so viele nützliche Daten wie möglich sammelt. Das bedeutet, dass die Größe der Daten mit der Gesamtkilometerzahl korreliert.

Fahrspurplanung und Fahrstrategien beziehen sich auf die Aktionen, die ein Auto durchführt: in der Mitte der Spur bleiben und die zulässige Geschwindigkeit einhalten, die Spur wechseln, ein langsames Auto überholen, bei grüner Ampel nach links abbiegen, um ein geparktes Auto herumfahren, für einen Verkehrsteilnehmer anhalten und so weiter. Es scheint schwierig zu sein, ein Regelwerk zu erstellen, das alle Aktionen abdeckt, die ein Auto unter allen Umständen ausführen sollte. Eine Möglichkeit, diese Schwierigkeit zu umgehen, besteht darin, ein neuronales Netz das Verhalten von Menschen nachahmen zu lassen: das so genannte Imitationslernen.

Der Trainingsprozess ist vergleichbar damit, wie ein neuronales Netz lernt, das Verhalten anderer Verkehrsteilnehmer vorherzusagen. Beim Imitationslernen lernt ein neuronales Netz vorauszusagen, was ein menschlicher Fahrer tun würde, indem es Korrelationen zwischen dem, was es sieht (über die neuronalen Netze des Computersehens) und den Handlungen menschlicher Fahrer herstellt.

Tesla wendet das Imitationslernen auf Fahraufgaben an, z. B. wie man mit den steilen Kurven eines Autobahnkreuzes umgeht oder wie man an einer Kreuzung links abbiegt. Tesla plant offenbar, das Nachahmungslernen im Laufe der Zeit auf weitere Aufgaben auszudehnen, z. B. darauf, wie und wann man auf der Autobahn die Spur wechselt. Karpathy beschreibt in diesem Video, wie Tesla das Nachahmungslernen einsetzt:

Auf der Grundlage von Karpathys Ausführungen zur Vorhersage des Verhaltens von Verkehrsteilnehmern, die die Spur wechseln, kann Tesla das Videomaterial speichern, auch wenn das Fahrzeug dies nicht korrekt vorhergesagt hat. In ähnlicher Weise kann Tesla Daten erfassen, wenn ein neuronales Netz, das an der Routenplanung oder der Fahrstrategie beteiligt ist, die Aktionen des Tesla-Fahrers nicht korrekt vorhersagt.

Weitere Möglichkeiten zur Aufnahme interessanter Bilder sind: plötzliches Bremsen oder Ausweichen, automatische Notbremsung, Kollisionen oder Kollisionswarnungen. Wenn Tesla bereits weiß, was es erfassen möchte, wie z. B. das Linksabbiegen an einer Kreuzung, kann es einen Auslöser festlegen, um ein Bild aufzunehmen, wenn das neuronale Netz eine Ampel sieht und den linken Blinker betätigt oder das Lenkrad nach links dreht.

Die Herausforderung des autonomen Fahrens besteht eher darin, mit den 0,001 % der Kilometer zurechtzukommen, die seltene Sonderfälle enthalten, als mit den 99,999 % der Kilometer, die unauffällig sind. Es liegt also auf der Hand, dass das Unternehmen, das eine große Anzahl von Trainingsbeispielen aus diesen 0,001 % der Meilen sammeln kann, besser abschneidet als diejenigen, die das nicht können.

Daher sind wir sicher, dass Tesla der erste sein wird, der das autonome Fahren zum Mainstream macht.