Seite - (000502) - in Autonomes Fahren - Technische, rechtliche und gesellschaftliche Aspekte

Lernen autonome Fahrzeuge?484 dabei einer Serie und einem Softwarestand angehören, folgen Anforderungen an die In- tegrität der übertragenen Informationen, jedoch nicht an die Kompatibilität und Ver- trauenswürdigkeit zwischen den Agenten. Sogenannte homogene Teams existieren, bei denen untereinander bekannt ist, wie und was gelernt wird. Ist das Ziel jedoch, die Daten- basis zu erweitern, auf der Lernverfahren angewandt werden, könnten auch Fahrzeuge anderen Softwarestands oder sogar anderer Hersteller untereinander vernetzt werden. Es entsteht ein Kollektiv aus heterogenen Fahrzeugen, bei denen eventuell unterschiedliche Verfahren des Maschinellen Lernens eingesetzt werden und die Wissensrepräsentation ebenfalls heterogen ist. Gifford [53] zeigt für Beispiele aus anderen Bereichen, wie prinzi- piell mit solchen Kollektiven umgegangen werden könnte. Grundsätzlich existieren neben den Fahrzeugrobotern noch weitere Agenten, wie beispielsweise Smartphones oder zukünf- tig auch Serviceroboter, die ebenfalls Daten erzeugen und damit vollkommen andere Informationsbereiche abdecken, als sie Fahrrobotern zugänglich sind. Die aktuell vorstell- bare letzte Stufe der Konnektivität und mit Abstand die größte Datenbasis liefert das Inter- net. Das autonome Fahrzeug als web-enabled device ermöglicht eine Vielzahl von An- wendungen und Funktionen im positiven wie auch im negativen Sinne. Nicht zuletzt das Watson-Projekt von IBM zeigt, dass Teile des im Internet abgelegten Wissens auch für Maschinen verständlich sind. Informationen, die von einer beliebigen Instanz über das Internet zugänglich gemacht werden, müssten somit nicht erst erfahren werden, um das Verhalten des autonomen Fahrzeugs zu beeinflussen. Durch den Zugriff auf beliebige (nicht autorisierte bzw. anonyme) Quellen droht jedoch eine Herausforderung für die Sicherheit sowohl im Sinne der Verkehrssicherheit (safety) als auch der Datensicherheit (security, s. Kap. 24). 22.6 Fazit Das Maschinelle Lernen findet in der Forschung aktuell großes Interesse, da die Qualität und Quantität vorhandener Daten stetig zunimmt und zusätzlich die Fahrzeugautomatisie- rung Fragen aufwirft, die nur bedingt mit herkömmlichen analytischen Ansätzen gelöst werden können. Bei der Übertragung der Ergebnisse von der Forschung auf die Entwick- lung der Serienfunktionen für die autonome Fahrzeugführung stellt jedoch vor allem der Nachweis der Sicherheit für den Einsatz im nicht überwachten sicherheitskritischen System ohne Korrekturmöglichkeit eine Herausforderung dar. Deshalb finden sich bereits in aktu- ellen Serienfahrzeugen nach Wissensstand der Autoren nur gelernte Modelle, die sich nach dem Test und der Freigabe nicht mehr ändern. Systeme wie die Adaptive Transmission Control sind bei dieser Betrachtung aufgrund der geringen adaptiven Parameter in klar begrenzten Wertebereichen ausgeschlossen. Allerdings öffnet gerade das Lernen im Betrieb und somit die Adaption einen weiteren Freiheitsgrad für die Automation. Diesen Freiheits- grad zu nutzen, motiviert neben der Kompensation des Wegfalls der Anpassungs- und Lernfähigkeit des Menschen sowie der Individualisierung der Fahrzeugführung zusätzlich die Möglichkeit, die autonome Fahrt zu optimieren. Das Kapitel zeigt auf, dass bei der