Page - (000494) - in Autonomes Fahren - Technische, rechtliche und gesellschaftliche Aspekte

Lernen autonome Fahrzeuge?476 Jede dieser Maßnahmen beschränkt das Potenzial des Maschinellen Lernens, um den Test des gelernten Systems zu ermöglichen. 22.4.2.3 Betrieb Befindet sich das fertig entwickelte und produzierte Fahrzeug im Betrieb, fallen Daten über den realen Einsatzbereich an, und zwar über die statische Umwelt, andere Verkehrsteilneh- mer und ihr Verhalten sowie den Nutzer und die Insassen des Fahrzeugs. Zusätzlich besitzt das Fahrzeug Daten über sein maschinelles Verhalten über der Zeit. Diese direkt vorhan- denen neuen Informationen, die zuvor nicht zugänglich waren, motivieren den Einsatz von Online-Lernverfahren und somit adaptiven Systemen. Damit wird das Fahrzeug zu einem zeit- bzw. erfahrungsvarianten System. Dieser weitere Freiheitsgrad eines sich ändernden und zusätzlich nicht überwachten Systems ergibt eine besondere Herausforderung für das Testen und die Absicherung, die schon für zeitinvariante, autonome Systeme bisher nicht gelöst wurde (s. Kap. 21). Grundsätzlich lassen sich zwei Möglichkeiten aufzeigen, wie ein System, das sich während des Betriebs verändert, abzusichern wäre. Entweder wird die Adaptivität auf einen klar begrenzten, einhüllenden Bereich eingeschränkt, wie etwa bei Adaptive Transmission Control-Strategien [28]. Dort sind Eingangs-, Ausgangs- und Zu- standsraum auf wenige Parameter begrenzt [29], sodass aus Autorensicht eine Verifikation und Validierung während der Entwicklungsphase möglich scheint. Widerspricht diese Be- grenzung dem Einsatzzweck von Maschinellem Lernen während des Betriebs, ist eine Online-Überprüfung des sich ändernden, zeitvarianten und komplexen Systems notwendig [30]. Dafür wiederum bieten sich die zwei folgenden Ansätze an [30]: 1. Runtime Verification & Validation Im Gegensatz zum klassischen Vorgehen der Verifikation und Validierung während des Entwicklungsprozesses durch den Entwickler wendet das System während des Betriebs Verifikations- und Validierungs-Methoden an [27, 30, 31]. Prinzipiell wird der Adaptions- prozess als Feedback-Loop gesehen. In Abb. 22.1 sind die vier Schritte Beobachten, Ana- Abb. 22.1 Adaptionsprozess als Feedback-Loop mit Runtime Verification & Validation (nach [31])