Fortschritte bei Tools für das Training neuronaler Netze für AD-Anwendungen

Am Beginn der Covid-19-Krise dachte mancher, dass der Schub in Richtung Automatisierung des Fahrens zurückgestellt würde. Vor dem Hintergrund gekürzter Forschungsbudgets und unter dem Druck der europäischen Gesetzgeber zur Erfüllung der CO₂-Emissionsziele schien die Elektrifizierung der offenkundige Schwerpunkt zu sein. Es stellte sich die Frage, ob für das autonome Fahren überhaupt noch etwas vom Kuchen übrigbleiben würde. Die Antwort ist „ja“, denn auch 2020 wurden erfolgreiche Investitionsrunden abgeschlossen, zum Beispiel bei Aimotive.

Entwicklungszeit reduzieren mit der richtigen Technologie

Das Ziel ist simpel: Lösungen für autonomes Fahren, die auf bestehenden und aktuellen Forschungsergebnissen basieren, schnell auf den Markt bringen. Um dies zu erreichen, müssen OEMs von agilen Softwareentwicklungsmethoden lernen und CICD-Pipelines (Continuous Integration – Continuous Deployment) implementieren. Dabei dient die Simulation als wichtiges Werkzeug. Der Simulator aiSim ist zum Beispiel ein ISO26262-zertifiziertes Tool für die Entwicklung von Anwendungen für das autonome Fahren.

Nachbildung der realen Welt ist mehr als Physik

Determinismus und Skalierbarkeit sind bei der Simulation für das autonome Fahren kritische Faktoren. Diese Faktoren mit mehreren verschiedenen Sensormodalitäten umzusetzen, ist keine triviale Herausforderung. Ein realistisches Verkehrsverhalten in der Simulation zu erzeugen, ist sogar um ein Vielfaches komplexer. Grundsätzlich lassen sich zwei verschiedene Arten von Tests in Simulatoren unterscheiden. Dazu gehören einerseits anwendungsfallbasierte Tests, in denen die zu untersuchende Funktionalität genau definiert ist: Es werden Szenarien für einen bestimmten Zweck erstellt, in denen der Verkehr auf vordefinierte Weise funktioniert.

Die zweite Art von Tests ist jedoch allgemeiner. Das Ziel der Automatisierung des Fahrens ist es, adäquat auf sämtliche Verkehrssituationen zu reagieren. Dazu muss das System im Simulatortest variablen, aber realistischen Verkehrssituationen ausgesetzt sein. Was komplexe urbane Umgebungen betrifft, ist dies leichter gesagt als getan, und der ursprünglichen Verkehrs-KI in aiSim fehlten bestimmte Funktionen. Die Lösung kam mit Sumo (Simulation of Urban Mobility), einem System das nun anstelle des bisherigen prozeduralen Systems von aiSim zur Generierung des Straßenverkehrs zum Einsatz kommt.

Ziel war es, die Integration so einfach wie möglich zu halten und gleichzeitig alle in Sumo verfügbaren Funktionen zu unterstützen. Schließlich wurde eine Co-Simulationslösung implementiert. Wenn beim Laden eines Szenarios im Simulator eine Sumo-Konfigurationsdatei referenziert wird, wird auch eine Instanz der Sumo-Welt erzeugt. Mit jedem Zeitschritt erfolgt die Synchronisierung beider Welten, indem die Sumo-gesteuerten Fahrzeuge abgefragt und in aiSim positioniert werden, während die Position des Ego-Fahrzeugs an die Sumo-Welt zurückgemeldet wird. Der relevante Code wurde für die Integration in einem Modul implementiert, das für alle Partner offen zugänglich ist.

Immer näher an der Produktion

Die in aiSim erzielten Fortschritte hatten einen wesentlichen Anteil an der Entwicklung von aiDrive. In Zusammenarbeit mit Sony wurden ADAS-Funktionalitäten und Autonomie Level L2+ für den Vision-S-Prototyp entwickelt. Über dieses Projekt hinaus sind auch die allgemeinen Fähigkeiten von aiDrive weitergewachsen. Es erfolgte ein umfangreiches Update an der Software für die Erstellung von Straßenmodellen, was das Befahren von Rampen an Autobahnkreuzungen ermöglicht, ohne auf HD-Karten angewiesen zu sein. Dadurch kann aiDrive beim Erreichen des Autobahnnetzes die Kontrolle über das Fahrzeug übernehmen und diese ohne Benutzereingriff bis zur abschließenden Ausfahrt leiten.

Optimiertes Training für neuronale Netze

Die Lösung für die Computing-Herausforderungen des autonomen Fahrens liegen in dedizierten Plattformen. Neuronale Netze stellen jedoch einen wichtigen Teil der Herausforderung dar. Deshalb entstand eine Kooperation mit Nextchip, um aiWare in den Image-Edge-Prozessor Apache5 zu integrieren. In Kooperation mit Arm wird die Portabilität von Hard- und Software für leistungsstarke Automotive-KI-Systeme maximiert. Veröffentlicht wurde auch aiWare Studio, einer PC-Anwendung, mit der Benutzer verschiedene aiWare-Instanzen mit unterschiedlichen neuronalen Netzen simulieren können. Die meisten Chip-Anbieter konzentrieren sich auf Tools, die nur die Software optimieren, welche das neuronale Netzwerk ausführt, und zwingen dadurch die Anwender dazu, das neuronale Netzwerk selbst viel zu früh einzufrieren.

AiWare Studio ermöglicht es dem Benutzer, mit einer Reihe von interaktiven visuellen Tools das neuronale Netz selbst blitzschnell zu verändern. Das Tool kann die Leistung jeder aiWare-Konfiguration für die meisten Workloads bis auf fünf Prozent genau abschätzen – ohne dass hierfür physische Prozessoren notwendig sind. Dadurch sind die Anwender in der Lage, die optimale Konfiguration für ihren Anwendungsfall zu bestimmen. Noch wichtiger ist aber, dass die OEMs und Tier1 dadurch die Leistung ihrer eigenen benutzerdefinierten neuronalen Netzwerke genau vorhersagen können, bevor sie eine Entscheidung bezüglich neuer Prozessoren treffen.

(na)