Page - (000493) - in Autonomes Fahren - Technische, rechtliche und gesellschaftliche Aspekte

47522.4 Die Automation, die den lernenden Fahrer ersetzt ausforderung für den Einsatz von Maschinellem Lernen im Forschungsbereich des auto- matisierten Fahrens besteht im Zugang zu repräsentativen Daten für den späteren Einsatz- bereich. Folglich stellt sich die Frage nach der Übertragbarkeit der Forschungsergebnisse auf die Systemlebenszyklen Entwicklung und Betrieb. 22.4.2.2 Entwicklung Das Lernen während der Entwicklungsphase kann mit dem Offline-Lernen verglichen werden. Möglichst anwendungsrelevante Trainingsdaten werden gezielt gesammelt, um während der Entwicklung beispielsweise ein Modell zu lernen. Die Erfüllung der Anforde- rungen an die Sicherheit der Ergebnisse wird, wie bei allen anderen sicherheitsrelevanten Komponenten des Fahrzeugs auch, verifiziert und validiert, sodass die Freigabe des Fahr- zeugs für die Produktion und den Einsatz erteilt werden kann. Danach verändern sich das gelernte Modell oder die Klassifizierung nicht weiter. Das Lernverfahren arbeitet nicht online bzw. nicht adaptiv, nutzt somit weitere Daten, die im Betrieb erfahren werden, nicht als Trainingsdaten, um das Modell oder die Klassifizierung zu aktualisieren. Es handelt sich somit während des Einsatzes um ein zeitinvariantes System, wodurch die bekannten Methoden für Verifikation und Validierung gültig bleiben. Allerdings ist zu beachten, dass die Ergebnisse der verschiedenen maschinellen Lernverfahren unterschiedlich gut inter- pretierbar sind. Beispielsweise sind gelernte Entscheidungsbäume mit begrenztem Umfang oder ein überschaubarer Satz an gelernten Regeln sehr gut interpretierbar [25] und ermög- lichen somit den Einsatz von White-Box-Testverfahren [26]. Andere Verfahren wie z. B. die Random-Forest-Verfahren oder subsymbolische Neuronale Netzwerke hingegen sind für einen Tester schwer interpretierbar und stellen somit eine Black-Box dar. Für solch komplexe Komponenten bedeutet der Nachweis der Sicherheit eine größere Herausforde- rung, verglichen mit analytischen Modellen. Da sich, wie auch für die meisten analytischen Modelle, für Systeme mit hoher Eingangsdimensionalität das Brute-Force-Testen2 nicht eignet [27], werden Otte [25] folgend und erweiternd vier Gegenmaßnahmen in Betracht gezogen: 1. Herunterbrechen eines vieldimensionalen Problems auf niedrigdimensionale Teil- modelle, damit die Teilmodelle von Experten unabhängig interpretiert und validiert werden können, 2. Einsatz von Vergleichslösungen, die eine Bewertung der Sicherheit der gelernten Komponente ermöglichen, 3. Begrenzen der Eingangs-, Ausgangs- und Zustandsgrößen auf bestimmte Werte- bereiche, wie z. B. die der Trainingsdaten. Diese Begrenzungen können statisch sein, aber auch von anderen Größen abhängen, und 4. Begrenzen der Dynamik von Eingangs-, Ausgangs- und Zustandsgrößen auf mini- male, maximale, positive oder negative Änderung pro Zeit. 2 Der Brute-Force-Ansatz steht für das Ausprobieren (Testen) aller möglichen Kombinationen der das Testobjektverhalten beeinflussenden Parameter.