Seite - (000489) - in Autonomes Fahren - Technische, rechtliche und gesellschaftliche Aspekte

47122.3 Lernende technische Systeme Diese unterschiedlichen Arten von Lernproblemen erfordern den Einsatz verschiedener Methoden des Maschinellen Lernens [12]. Diese reichen von Entscheidungsbäumen, künstlichen Neuronalen Netzen und Genetischen Algorithmen über Stützvektorenmethode, Instanzenbasiertes Lernen, Hidden-Markov-Modelle, Wert-Iteration bis hin zum Q-Lernen usw. Diesen Methoden ist gemein, dass die Güte, mit der ein Lernproblem bearbeitet wird, von drei grundlegenden Eigenschaften abhängt. Zum einen wird die Repräsentativität der Trainingsdaten gefordert, denn nur wenn auch für den Betrieb relevante Daten (Erfahrun- gen) in ausreichender Anzahl für das Lernen eingesetzt werden, sind die Methoden in der Lage, das Lernproblem optimal zu lösen. Zum anderen gilt Gleiches für die Qualität der Trainingsdaten, sodass gerade für real gemessene Größen die Behandlung von verrausch- ten, fehler- oder lückenhaften Daten notwendig ist. Neben den Testdaten stellt die Bewer- tung der Performanz (P) eine weitere Herausforderung dar. Nur wenn die Bewertung für den gesamten Einsatzbereich mit realen Daten valide ist, wird auch die Methode das Lern- problem korrekt bearbeiten. 22.3.2 Beispiele Folgende Beispiele dienen als kleine Stichprobe für Bereiche, die mit Verfahren des Maschinellen Lernens adressiert werden können. Airbagauslösung [16, 17] Das Lernproblem besteht aus der Zuordnung von Sensorwerten zu dem Befehl der Auslö- sung eines Fahrzeugairbags. Dafür wird ein Klassifikator gelernt, der Unfälle entweder der Klasse „auslösen“ oder „nicht auslösen“ zuordnet. In diesem Beispiel hat der Datensatz eines Unfalls 30 Dimensionen und besteht beispielsweise aus Beschleunigungs-, Druck- oder Körperschallsensoren an verschiedenen Punkten im Fahrzeug. Für 40 Trainingsdaten- sätze, bei denen die Sensorwerte für repräsentative Unfälle aufgezeichnet werden, wird zusätzlich bewertet (gelabelt), ob eine Auslösung der Airbags notwendig wäre oder nicht. Fahrtrajektoriensteuerung mit KNN [18] Das Projekt ALVINN (autonomous land vehicle in a neural network) hatte das Ziel, ein Fahrzeug auf der optimalen Fahrtrajektorie innerhalb seines Fahrstreifens zu positionieren. Die Trainingsdaten bestehen aus den Eingangsgrößen, den einzelnen Pixeln eines Kame- rabildes und der zugehörigen Ausgangsgröße, dem Lenkwinkel. Aufgezeichnet werden diese während der Fahrt eines menschlichen Fahrers. Gelernt wird ein Künstliches-Neuro- nales-Netz, an dessen 960 Eingangsknoten die einzelnen Werte der 30 x 32-Pixel des Ka- merabildes übergeben werden. Diese Eingangsknoten sind über vier versteckte Knoten mit den 30 Ausgabeknoten verbunden, die jeweils für eine eigene Krümmung stehen.