Page - (000501) - in Autonomes Fahren - Technische, rechtliche und gesellschaftliche Aspekte

48322.5 Die Automation als Teil eines lernenden Kollektivs Allerdings liefert die voranschreitende Fahrzeugautomatisierung begünstigende Fakto- ren. Diese sind zum einen das Entfernen der Unsicherheit des Fahrers (Ego-Fahrzeug). Zwar ist menschliches Verhalten durch die anderen Verkehrsteilnehmer weiterhin vor- handen, die Trajektorie des Ego-Fahrzeugs ist jedoch innerhalb der Regelgüte bekannt. Außerdem steigt die Sensorleistungsfähigkeit aktueller Fahrzeuge, sodass Unsicherheiten über die Objektzustände abnehmen. Ferner werden zusätzliche Informationen über das Umfeld per V2X-Kommunikation ausgetauscht und damit die Informationsgrundlage für eine Gefahrenbewertung in Qualität und Quantität verbessert. 22.5 Die Automation als Teil eines lernenden Kollektivs Die Betrachtung des lernenden Fahrzeugs beschränkte sich in diesem Kapitel bisher auf den Systemlebenszyklus eines speziellen Fahrzeugs. Was die Fahrzeugautomatisierung jedoch implizit mit sich bringt, ist die Vervielfältigung der Hard- und Software durch die angestrebte Serienproduktion auf ein ganzes Kollektiv von Fahrzeugen. Entsprechend würden sich Fahrzeuge im Straßenverkehr bewegen, die gleiche Fähigkeiten aufweisen. Dies hat auf der einen Seite den Nachteil, dass Fehlverhalten, Ausfälle und Unfallarten nicht nur ein Fahrzeug, sondern gleich das gesamte Kollektiv betreffen können. Auf der anderen Seite eröffnet es einen weiteren Freiheitsgrad für adaptive Systeme. Eine Daten- austauschmöglichkeit vorausgesetzt, ergibt sich die Möglichkeit zum Kollektiven Lernen während des Betriebs. Dabei lassen sich prinzipiell zwei Ansätze unterscheiden [51]: das agentenbasierte Maschinelle Lernen und das Maschinelle Lernen mit Agenten. Bei dem agentenbasierten Lernen (auch oft agentenbasierte Schwarmintelligenz genannt) baut sich das lernende kognitive System aus einer Vielzahl von vernetzten Agenten mit begrenzter kognitiver Leistungsfähigkeit auf, dabei wird oft das Verhalten von Tieren wie Ameisen oder Bienen als Beispiel herangezogen [52]. Im Gegensatz dazu besteht das Maschinelle Lernen mit Agenten ebenfalls aus mehreren Agenten, die jedoch die in Abschn. 22.3 be- schriebenen Verfahren anwenden. Diese zwei Ansätze unterscheiden sich in den grund- legenden Schritten des Maschinellen Lernens hinsichtlich ‡ kollektiver Erfahrungsgenerierung, ‡ kollektiver Leistungsbewertung und ‡ Ableitung von gelernten Modellen und von Wissen. Grundsätzlich können, sobald Daten von der realen Situation erzeugt wurden, die Ansätze angewandt werden. Dabei stellt sich die Frage, an welcher Stelle eines Kollektivs aus den Daten relevante Informationen erzeugt werden, diese im Sinne des Lernproblems und des Leistungsmaßes bewertet werden und basierend darauf Lernverfahren eingesetzt werden. Nicht zuletzt aus Gründen der begrenzten Bandbreite für die Datenübertragung wird es notwendig sein, bereits verarbeitete Daten oder sogar die gelernten Modelle und das Wissen zu übertragen, anstelle von Sensorrohdaten. Solang die beteiligten Agenten/Fahrzeuge