Page - (000503) - in Autonomes Fahren - Technische, rechtliche und gesellschaftliche Aspekte

48522.6 Fazit Anwendung des Maschinellen Lernens für die Fahrzeugautomatisierung während des Be- triebs sowohl die Verkehrssicherheit (safety) als auch die Datensicherheit (security) mit hoher Priorität zu betrachten sind. Für die Bewertung der Verkehrssicherheit respekti- ve des Risikos fehlt aktuell noch ein valides Maß. Deshalb liegt nahe, dass der Einsatz von adaptiven Maschinellen Lernverfahren während des Betriebs zunächst eine fehlertolerante Auslegung mit redundanten herkömmlichen Systemen erfordert, bei denen die herkömm- lichen Systeme zur Bewertung der Verkehrssicherheit dienen. Somit ist zu erwarten, dass Maschinelles Lernen während des Betriebs (adaptive Systeme) die Fahrzeugautomatisie- rung zunächst nur innerhalb eines vorgegebenen Rahmens der herkömmlichen Systeme optimieren wird. Aufgrund der aufgezeigten Herausforderungen hinsichtlich des Nachweises eines siche- ren Verhaltens des zeitvarianten adaptiven Systems erscheint es notwendig, intensiv weiter an einer Runtime-Verifikation und -Validierung zu forschen. Gleiches gilt für die zuvor angesprochenen eingesetzten nicht-adaptiven Systeme und deren Nachweis der Sicherheit. Zwar existiert eine Vielzahl an Literatur über bereits erfolgreich eingeführte Beispiele, jedoch kommen diese zumeist aus anderen Bereichen, die keine vergleichbaren Anforde- rungen an ein Produkt stellen. In diesem Beitrag wurde die Frage der Datensicherheit (security) nur am Rande disku- tiert und stattdessen auf Kap. 24 verwiesen. Ansätze des Lernens benötigen Daten und somit Informationen über Insassen, Fahrzeug und Umwelt. Somit kommt dem Datenschutz eine der Verkehrssicherheit (safety) gleiche Relevanz zu. Anzumerken ist, dass die Umwelt natürlich auch die Personen in dieser und somit deren Datenschutz beinhaltet. Die Qualität und Quantität der für die Fahrzeugautomation benötigten Sensoren ist auf der einen Seite Antreiber des Maschinellen Lernens, aber auf der anderen Seite jedem Datenschützer suspekt. Eine besondere Eigenschaft der Fahrzeugsensoren ist zusätzlich, dass diese aktuell zu einem Großteil nicht physikalisch abgedeckt werden, wenn das Fahrzeug oder die Funk- tion nicht aktiv ist. Mit dem Einsatz des Maschinellen Lernens sollte dementsprechend direkt auch die Datensicherheit angesprochen werden. Nichtdestotrotz bringt gerade der Einsatz von vernetzten Agenten und lernenden Syste- men Vorteile, deren Auswirkungen nicht abzuschätzen sind. Kollektiv lernende Agenten müssen sich vorhandenes Wissen nicht langwierig aneignen, sondern können es per Daten- übertragung (copy & paste) an nächste Fahrzeug- bzw.- Softwaregenerationen übergeben. Dies, verbunden mit einem Zugriff auf die große Menge von elektronisch erfassten In- formationen, besitzt das Potenzial, die Fahrzeugführung, den Straßenverkehr und somit das ganze (Mobilitäts-)Verhalten der Menschen zu verändern. Dabei sind die Erkenntnisse, die für die Fahrzeugführung gewonnen werden, in gleichem Maße für die Forschung an medi- zinischen Robotern sowie Haushaltsrobotern mit Menschenkontakt von Interesse. Auf- grund der ähnlichen Rahmenbedingungen gilt Gleiches auch umgekehrt, was für eine enge Zusammenarbeit zwischen Fahrzeugtechnik und Robotik spricht.