GTA: Autonome Autos lernen mit Grand Theft Auto fahren

Die Entwickler selbstfahrender Autos stehen vor einer scheinbar unlösbaren Aufgabe: ihnen fehlen ausreichende Datenmengen, um den Algorithmen die notwendigen Fähigkeiten beizubringen. Virtuelle Welten und ausgerechnet Games wie Grand Theft Auto könnten nun einen Ausweg bieten. Zwei einander unbekannte Industrien finden zusammen.

von Bernd Rubel am 13. September 2016

Autonome Autos werden in absehbarer Zeit unsere Straßen erobern, das ist (fast) so sicher wie das Amen in der Kirche. Die zuständigen Regulierungsbehörden haben das Thema längst auf dem Schirm, sogar die Politik bewegt sich in vergleichsweise hohem Tempo. Die Assistenzsysteme fast aller großen Automobilhersteller werden Schritt für Schritt in diese Richtung weiterentwickelt, die Zulieferer in diesem Sektor erkennen einen riesigen Markt – und schlussendlich lassen sich auch immer mehr Verbraucher davon überzeugen, dass ein “digitaler Chauffeur” durchaus eine Steigerung der Lebensqualität bedeuten könnte.

Bei den benötigten Sensoren – Kameras, Radar und LIDAR – gibt es unterschiedliche Ansätze, im Endeffekt läuft es stets auf eine möglichst redundante Kombination mehrerer Systeme hinaus. Auch die benötigte Rechenkapazität zur Interpretation der von den Sensoren erfassten Signale steht zur Verfügung. Die Herausforderung, der sich die meisten Entwickler gegenübergestellt sehen, besteht hauptsächlich bei der Software.

Intelligente Algorithmen brauchen Daten, Daten, Daten

Gesucht wird ein System, dass möglichst intuitiv, fehlerfrei, logisch, aber auch mit einer menschlichen Moral-Komponente in der Lage ist, verkehrstypische Einzelfallentscheidungen zu treffen und daraus in Echtzeit entsprechende Fahrmanöver ein- und abzuleiten. Die Software muss in der Lage sein, ähnlich einem menschlichen Gehirn Wichtiges von Unwichtigem zu trennen, es müssen ruhende von bewegten Objekten unterschieden werden. Bei bestimmten Objekten – z.B. einem Ball, einem Hund, einem Kind – müssen nicht vorhersehbare Attribute in die potentiellen Gefahrenszenarien einbezogen werden. Im Klartext, als Optimum: das optimale Assistenzsystem “weiß” bereits vor dem Ereignis, was passieren wird.

Das perfekte selbstfahrende Auto weiss bereits vor einem Ereignis, was passiert. Die möglichen Optionen wurden mit allen Protagonisten und Parametern virtuell tausendfach “durchgespielt”.

Die Fahrzeughersteller verfolgen auch hier unterschiedliche Ansätze. Einige setzen z.B. auf eine Automotive Cloud, einen Verbund von theoretisch unendlich vielen miteinander vernetzten Fahrzeugen, die sich gegenseitig über mögliche Gefahrensituationen informieren. Google simuliert in seinen Rechenzentren Millionen von virtuellen Fahrkilometern, die tagtäglich zehntausende von möglichen Verkehrssituationen simulieren. Tesla und andere beziehen – mit einer unterschiedlichen Zahl von tatsächlich existierenden Fahrzeugen – Fleet Learning Systeme in ihre Entwicklungen ein.

Ein Forschungs-Team von Intel Labs und der Universität Darmstadt hat sich nun mit einer weiteren Möglichkeit beschäftigt, die möglichst effizient – also schnell und kostengünstig – die Lernkapazitäten von selbstfahrenden Autos erweitern soll. Die Wissenschaftler extrahieren Daten aus Grand Theft Auto (GTA) und erstellen aus den gewonnenen Informationen mögliche Trainings-Szenarien und Fahrsimulationen.

Hierzu programmierten die Mitarbeiter einen Software-Layer, der Szene für Szene in dem Game auf die darin enthaltenen Objekte untersucht. Das System erkennt Straßen, Bürgersteige, Häuser, Bäume, parkende und fahrende Autos, Ampeln, Verkehrsschilder, Zebrastreifen, Fußgänger – und greift dabei auf die ultrarealistische Darstellung des Games zurück.

Mit den gewonnenen Daten können den jeweils identifizierten Objekten theoretisch unendlich viele Attribute und Szenarien zugeordnet werden, die dann in die weitere Entwicklung der Algorithmen für selbstfahrende Autos einfließen. Die Objekte werden quasi “gelabelt” und “klassifiziert”, so dass typische Verhaltensweisen – eines Baums ;-) oder eines Fußgängers – bis zum Exzess worwörtlich durchgespielt werden können.

Der Zeit- und Kostenfaktor sind entscheidend

Die Forscher begegnen damit einem zentralen Problem, dem sich die Entwickler autonomer Fahrzeuge momentan gegenüber gestellt sehen: sie kommen mit der Erfassung der eigentlich benötigten Daten nicht hinterher. Theoretisch sind viele relevante Datenquellen vorhanden: Google wird z.B. die in Google Maps und Google Streetview erfassten Datenbestände in die Entwicklung der Algorithmen einbeziehen, während man bei HERE auf das erfasste Kartenmaterial und darauf aufbauend auf verschiedene Layer mit weiteren Informationen setzt.

Unendlich viele Möglichkeiten: Games simulieren Szenarien, die man in der „Real World“ gar nicht erfassen kann.

Doch allein die Erfassung von Daten in der realen Welt benötigt viel Zeit und verursacht somit hohe Kosten, bevor die digitale Interpretation und Klassifizierung der Daten überhaupt begonnen hat. Davon abgesehen gibt es Szenarien, die man in der “Real World” gar nicht erfassen kann, z.B. ein potentiell tatsächlich sinnvolles Ausweichmanöver durch die Vorgärten einer Häuserreihe. Hinzu kommen nicht beeinflussbare Faktoren wie Lichtverhältnisse oder geänderte Wetterbedingungen. Bei (echtem wie auch virtuell generiertem) Schnee sind Objekte oder z.B. Straßenmarkierungen eben schwieriger oder gar nicht erkennbar. Ähnliches gilt für eine tiefstehende Sonne.

Beta-System: Teslas „Autopilot“ sollte verboten werden
Beta-System: Teslas „Autopilot“ sollte verboten werden

Einen vergleichbaren Ansatz wie Intel und die Universität Darmstadt verfolgt man auch an der Universität of British Columbia. Die Forscher fanden heraus, dass besonders die Kombination aus “echten” und “virtuellen” Bildern die Performance neuronaler Netzwerke signifikant verbessert kann. Den Algorithmen fällt es dann leichter, Bilder zu segmentieren, die relevanten Datenbereiche zu erfassen und aus der jeweiligen Situation die logischen Entscheidungsszenarien abzuleiten.

An der Johns Hopkins University (Baltimore) beschäftigt man sich unterdessen mit der Herausforderung, einander noch weitgehend fremde Industrien miteinander bekannt zu machen. Die Forscher wollen eine Schnittstelle für selbstlernende Algorithmen schaffen, die an die Game Engine Unreal andockt. Damit könnte den Entwicklern selbstfahrender Autos (oder anderer Systeme) der Weg in die virtuellen, dreidimensionalen Welten endgültig geöffnet werden – über “naheliegende” Anwendungen wie Grand Theft Auto hinaus.

Abgesehen von dieser höchst wissenschaftlichen Herangehensweise bleibt GTA selbstverständlich ein grandioses Game, das man auch als Iron Man oder als Cristiano Ronaldo zocken kann ;-).

via technologyreview.com

Weiterlesen:
Forza Motorsport 6: So kommt der Ford GT 2017 ins Spiel

Forza_6_Ford_Gt_2017