Künstliche Intelligenz – Anwendung der Schlüsseltechnologie in der Verkehrsforschung

Alle Aspekte von Mobilität werden mittlerweile in der Öffentlichkeit breit diskutiert. Besonders die Forschung an einer Erhöhung der Sicherheit, an der effizienteren Nutzung des vorhandenen Verkehrsnetzes (insbesondere im urbanen Raum) sowie an einer möglichst ressourcen- und umweltverträgliche Mobilität haben neben der Schaffung neuer digital geprägter Geschäftsmodelle aktuell eine hohe Relevanz für unser alltägliches Leben. Gerade um die Sicherheit und Leistungsfähigkeit neuer Systemlösungen zu gewährleisten, müssen technische Verfahren mit einer hohen Verlässlichkeit und Performanz arbeiten. Das leistet eine Schlüsseltechnologie – die Künstliche Intelligenz (KI).
KI findet sich an verschiedenen Wirkpunkten: im Fahrzeug schafft KI die Grundlage einer adäquaten Fahrzeugintelligenz sowie adaptiv gestalteter und lernender Funktionen. Darüber hinaus ermöglicht KI eine optimale Kooperation und Koordination von verschiedenen Verkehrsteilnehmern sowie ein ineinander greifendes Agieren im Zusammenspiel mit intelligenten digitalen Infrastrukturen sowie Daten- und Diensteplattformen. Ebenso ist KI die Grundlage für die Entwicklung neuartiger Methoden zur intelligenteren und effizienteren Wartung und Instandhaltung von unterschiedlichsten Bausteinen im Verkehrssystem.

©DLRAnnotiertes Kamerabild aus Fahrzeugsicht

KI für automatisiertes und vernetztes Fahren

Ein zentraler Baustein für die Ausgestaltung intelligenter Mobilitätslösungen liegt im Themenbereich des automatisierten und vernetzten Fahrens. Die Entwicklung und Nutzung von KI-basierten Funktionen für sicherheitsrelevante Anwendungen, wie dem maschinellen Verstehen komplexer Situationen oder einer vorausschauenden Handlungsplanung, bringt Fragestellungen im Bereich der Homologation, also der Nachweisführung eines sicheren Betriebs, in den Vordergrund. Aktuell gibt es keine einheitliche Regulierung automatisierter Fahrfunktionen und die Erarbeitung durchgängiger Methodenketten ist Gegenstand aktueller Forschung. Hier bringt sich das DLR in verschiedenen Formen aktiv ein. Das Testfeld Niedersachsen (inklusive AIM) ist als Werkzeugkasten für die Unterstützung in der Auslegung, Entwicklung und des Testens von automatisiertem Fahrbetrieb ausgelegt. Darüber hinaus ist das Institut breit vertreten in den zugehörigen aktuellen Förderprojekten, in welche das Testfeld Niedersachsen aktiv eingebracht wird. Beispiele liefern die aktuellen Verbundprojekte aus dem Förderbereich des Bundesministeriums für Wirtschaft und Energie, wie die KI-Projektfamilie mit den Zielen einer Methodenentwicklung für adäquate Funktionsabsicherungen, für den Umgang mit Lern- und Testdaten, für die Verbindung von Wissen mit maschinellem Lernen sowie dem Aufbau von Werkzeugen zur effizienten Erweiterung und Transformation vorhandener KI-Module. Daneben stehen Projekte wie VV-Methoden und SetLevel4to5 mit einem Fokus auf der Definition von Testanforderungen zur Freigabe vollständiger Fahrzeuge und Komponenten sowie der Entwicklung simulationsbasierter Tools und Methoden für Entwicklung und Tests.

KI für Zustandsüberwachung und prädiktive Instandhaltung

Wie können unerwartete Ausfälle einer Eisenbahnweiche verhindert werden? Wo entstehen im Winter neue Schlaglöcher auf einer vielbefahrenen Autobahn? Können die Gleise in einem Hafen mit Rangierlokomotiven vollautomatisch überwacht werden?
Die Fortschritte bei Sensorik und Elektronik erlauben die Einbettung zahlreicher Sensoren in die Verkehrsinfrastruktur und auf Fahrzeugen. Ein solches Sensornetzwerk könnte in Kombination mit Drohnen zukünftig eine kontinuierliche Zustandsüberwachung ermöglichen. Mit der Fähigkeit zur Prognose der Zustandsentwicklung wären die Grundvoraussetzungen für eine prädiktive Instandhaltung geschaffen. Dabei erfolgen Instandhaltungsmaßnahmen individuell für jedes Element anhand des tatsächlichen Zustands. Dadurch können unerwartete Ausfälle und damit verbundene Störungen vermieden werden. Die vorausschauende Einplanung führt zu optimierten Betriebsabläufen und reduziert so die Lebenszykluskosten. Die Gewinnung der Informationen aus den zahlreichen Datenströmen ist ohne maschinelles Lernen undenkbar. Das Institut erprobt mit Partnern entsprechende Ansätze in der Praxis (z. B. SMARAGD, HavenZuG). Eine der Hauptherausforderungen ist dabei das Fehlen geeigneter Trainingsdatensätze. Das direkte Erlernen von versteckten Mustern mit besonders leistungsfähigen Methoden des überwachten maschinellen Lernens ist häufig nicht möglich. Daher forscht das Institut an Ansätzen zur automatischen Erkennung bislang unbekannter Anomalien sowie an nachvollziehbaren Diagnosemodellen. Der Fokus liegt dabei auf der Verknüpfung des maschinellen Lernens mit dem umfassenden Domänenwissen erfahrener Anlagenexpertinnen und -experten (z. B. im Projekt Einfluss von Fehlern auf die Qualität von Streckenbeeinflussungsanlagen).

©DLRVisualisierung der Gleisgeometrie in der Hafenbahn Braunschweig

KI für Nutzerzustandserfassung

Am Institut wird erforscht, welche Bedürfnisse und Ängste heutige Verkehrsteilnehmer haben, um daraus nutzerfokussierte, adaptive Lösungen für Fahrzeuge oder das Verkehrssystem zu entwickeln. Dafür benötigen die Wissenschaftler echtzeitfähige Modelle, mit deren Hilfe sie den emotionalen Zustand im Hinblick auf Frustration, Stress sowie die aktuelle Tätigkeit (z.B. Fahren, Lesen, Entspannen) der Nutzer automatisierter Fahrzeuge bestimmen können. Mit maschinellen Lernverfahren werden Indikatoren der betrachteten Nutzerzustände aus physiologischen und Verhaltensdaten ermittelt, in ihrer Eignung bewertet und darauf gestützt Klassifikationsalgorithmen trainiert. Die erarbeiteten Methoden bilden die Grundlage für die Gestaltung technischer Systeme, die sich den aktuellen Bedarfen ihrer Nutzer anpassen. Für die Umsetzung dieses Ziels werden Systemkonzepte entwickelt, die eine Integration von Modellen der Nutzerzustandserfassung mit Informationen zum systemischen und situativen Kontext ermöglichen. Gestützt auf die Erfassung relevanter Zustände unter Berücksichtigung dieser aktuellen Bedingungen können mit Methoden der künstlichen Intelligenz automatisiert systemseitige Anpassungen zur Verbesserung des Nutzerzustands ausgewählt werden. Beispielsweise soll ein automatisiertes Fahrzeug erkennen, ob Nutzer verunsichert sind, weil sie nicht wissen, was das Auto erkennt und wie es sich verhalten wird, und durch Anpassungen in der Informationsdarstellung und der Fahrweise darauf reagieren. Umgesetzt wird dies unter anderem im Projekt F-RELACS (Frustration am Steuer erkennen und gegensteuern), im Projekt AutoAkzept (Erhöhung der Akzeptanz automatisierten und vernetzten Fahrens) sowie im DFG-geförderten Projekt „Kontextabhängiger Entwurf von Human-Cyber-Physical Systems“.

Daten- und Diensteplattformen

Eine große Herausforderung für Entwickler von KI-Anwendung ist es, sich eine leistungsfähige Arbeitsumgebung einzurichten. Denn das komplexe Zusammenspiel der benötigten Hintergrundsysteme, bestehend aus Algorithmik, großen und verteilten Datenmengen, Dienste- und Werkzeugclustern, Zugriff auf Großrechenzentren, erfordert zu hohe zeitliche und personelle Ressourcen. Daher ist es wichtig, dass das Hintergrundsystem dem KI-Entwickler als leicht zu bedienendes System beziehungsweise als Black Box zur Verfügung steht.
Hier setzt die Forschung im Bereich von Daten- und Diensteplattformen an. Das Institut untersucht, wie komplexe Software- und Komponentenkompositionen effektiv orchestriert werden können, um Entwicklern die bestmögliche Umgebung zu bieten. Konkrete Ziele unserer Forschung sind daher die Erarbeitung von effizienten Systemarchitekturen, aber auch nicht technischer Aspekte, wie die Abbildung eines juristisch korrekten Rechte- und Lizenzmanagements. Diese Entwicklungsplattformen sowie deren Erforschung und Weiterentwicklung sind essentiell, wenn KI als Kernkompetenz in industrielle Abläufe integriert stattfinden soll. Damit die Wirtschaft KI-Werkzeuge und -Methoden effektiv in ihren Betrieb einbauen kann, müssen diese barrierefrei und leicht zugänglich in größere Entwicklungsumgebungen eingebettet werden.