KI-Ökosystem fürs autonome Fahren

Wer in ein vollautomatisiertes Fahrzeug steigt, möchte sicher ans Ziel kommen. Dafür sollen zahlreiche komplexe Algorithmen der künstlichen Intelligenz (KI) sorgen, die in kürzester Zeit enorme Mengen an Sensordaten analysieren, zum Beispiel, um andere Verkehrsteilnehmer zu erkennen. Bevor das vollautomatisierte Fahren in Deutschland zugelassen werden kann, müssen die Prozessoren noch hohe Anforderungen erfüllen. Nicht nur die Rechenleistung von Hardware und Algorithmen muss steigen, Verbesserungsbedarf gibt es auch mit Blick auf Energieeffizienz, Zuverlässigkeit, Robustheit und Sicherheit.

Um die komplexen Algorithmen effizient in Fahrzeugen einsetzen zu können, braucht es ein ganzes KI-Ökosystem aus leistungsstarker KI-Hardwareplattform samt optimierter KI-Signalverarbeitung. Genau daran forschen Wissenschaftler des Forschungszentrums L3S an der Leibniz Universität Hannover (LUH) gemeinsam mit weiteren Partnern in dem vom Bundesforschungsministerium geförderten Projekt ZuSE-KI-Mobil. Zum Konsortium des Projekts gehören neben der LUH auch die TU Dresden, das Karlsruhe Institut für Technologie (KIT), die TU München sowie BMW, Dreamchip, ZF Friedrichshafen, Infineon und T3 Technologies.

L3S-Mitglied Prof. Dr. Holger Blume und sein Team sind an der Erforschung und Entwicklung der heterogenen Hardwareplattform beteiligt. Neben einem Prozessorsystem mit mehreren Recheneinheiten, die Aufgaben parallel und somit schneller erledigen, besteht die Plattform aus zwei dedizierten KI-Beschleunigern und weiteren dedizierten Prozessoreinheiten, die unter anderem für die Bildvorverarbeitung zuständig sind. Eine Besonderheit der Hardwareplattform ist der von Wissenschaftlern der TU Dresden entwickelte KI-Beschleuniger SPA-ML, der Convolutional Neural Networks (CNNs) effizient berechnet. CNNs sind in der Sensorsignalverarbeitung der zurzeit meistgenutzte KI-Algorithmus-Typ. Zur Unterstützung moderner CNN-Algorithmen wird im Projekt zusätzlich die Hardware erweitert.

Um CNNs auf der neuartigen Beschleunigerhardware möglichst effizient auszuführen, ist ein Neural Network Compiler erforderlich. Zu diesem Zweck haben die L3S-Wissenschaftler den SPA-ML-Beschleuniger in das Compiler-Framework Apache TVM integriert. Dadurch besteht die Möglichkeit, KI-Modelle, die zum Beispiel in einer ONNX- oder Pytorch-Implementierung vorliegen, auf den Beschleuniger abzubilden. Der Compiler ist dafür zuständig, die hohen Rechen- und Speicheranforderungen der CNNs so stark zu reduzieren beziehungsweise anzupassen, dass sie auf dem Beschleuniger ausgeführt werden können. Dazu überträgt der Compiler das CNN in ein Zwischenformat und führt Optimierungsschritte wie Memory-Tiling oder Layer-Fusion durch. Anschließend erstellt der Compiler ein ausführbares Programm.

Im Projekt forschen die hannoverschen Wissenschaftler außerdem an neuartigen KI-Algorithmen, um Sensorsignale besser zu verarbeiten und für die ZuSE-KI-Mobil-Plattform zu optimieren. Die Algorithmen sollen Objekte im Fahrzeugumfeld schnell und genau detektieren. Dafür müssen die Daten unterschiedlicher Sensoren fusioniert werden. Anhand von Kameradaten lassen sich Objekte etwa als Auto oder Motorrad klassifizieren, jedoch ist die Bestimmung der 3D-Position ungenau. Daher werden die Daten weiterer Sensoren hinzugefügt: LiDAR-Sensoren, um die Position eines Objekts zu bestimmen; RADAR-Sensoren, um die Geschwindigkeit von Objekten zu messen. Eine größere Zahl an Sensoren führt zu einem genaueren und weniger fehleranfälligen Ergebnis, geht jedoch mit einer Erhöhung der Rechenanforderungen und Komplexität des Modells einher.

Das Ziel der Forschungs- und Entwicklungsarbeiten im Projekt ZuSE-KI-Mobil: eine moderne und effiziente Basis für ein deutsches KI-Ökosystem aus KI-Hardware und Algorithmen, um Deutschland im Bereich der künstlichen Intelligenz für das autonome Fahren als souveränen und wettbewerbsfähigen Akteur positionieren zu können.