Damit autonome Fahrzeuge in jeder erdenklichen Situation die korrekte Entscheidung treffen, müssen sie nicht nur ihre eigene Position im Verkehr verorten, sondern ebenso ihr Umfeld exakt und verlässlich erfassen können. Dazu benötigt ein Fahrzeug Daten, die zum Beispiel aus Laser-, Kamera- oder Radarsensoren gesammelt und fusioniert werden. Für Algorithmen, die derartige Sensordaten verarbeiten, sind künstliche neuronale Netze inzwischen nicht mehr wegzudenken. Dies erfordert allerdings eine schnelle, effiziente und flexible Hardware, an der das KI-FLEX-Projekt in den vergangenen vier Jahren erfolgreich geforscht hat. »Das ist ein wichtiger Fortschritt für die sichere Mobilität der Zukunft«, sagt Michael Rothe, Gruppenleiter »Embedded AI« am Fraunhofer IIS.

»Üblicherweise braucht man einen Kofferraum voll Speicher und Rechner, damit das autonome Fahrzeug sein Umfeld zuverlässig erkennen kann. Die energieeffiziente KI-FLEX-Hardware ist nur noch etwa DIN A5 groß. Diese Miniaturisierung der Hardware ging mit umfangreichen Anpassungen der Software einher: Wie mussten die Eingangsdaten und die Struktur der neuronalen Netze anpassen und die Sensoren neu anbinden. Die KI-FLEX-Hardware kann nun in autonome Fahrzeuge eingebaut und für weitere Forschungsaktivitäten genutzt werden,« resümiert Bernd Schäufele, wissenschaftlicher Mitarbeiter am Fraunhofer FOKUS.

Jede Verkehrssituation im Blick

Objekte und Verkehrsteilnehmer müssen zweifelsfrei im Straßenverkehr detektierbar sein. Die Bedeutung und Nutzbarkeit von Sensoren unterscheiden sich dabei nach Objekttyp und Umgebungsbedingungen. Sowohl die Verkehrssituation als auch Wetter- und Lichtbedingungen müssen adäquat berücksichtigt werden, wenn ein sicheres autonomes Fahren gewährleistet werden soll. Essenziell sind hierfür zudem flexible Reaktionen auf potenzielle Sensorausfälle oder Angriffsmuster in deren Daten. Daher haben die Projektpartner ressourcenoptimierte Ansätze zur frühen und späten Fusion von Kamera-Daten, LIDAR-Daten und detektierten Objekten sowie ein KI-basiertes Monitoring-System entwickelt. Diese Komponenten ermöglichen den Fahrzeugen, auf veränderte Situationen verlässlich zu reagieren, indem die genutzten Algorithmen angepasst werden.

Ein rekonfigurierbares KI-System

Künstliche neuronale Netze entwickeln sich derzeit in rasantem Tempo weiter. Mit der Anzahl der Architekturen steigen ebenso die daraus resultierenden Anforderungen an die Hard- und Software. »KI-FLEX« setzt deshalb auf eine heterogene Hardware-Architektur aus FPGA- und ASIC-KI-Beschleunigern, um die neuronalen Netze zur Objektdetektion in Kamera- und LIDAR-Daten zu implementieren. Mit diesem flexibel rekonfigurierbaren und programmierbaren KI-Beschleunigersystem wird die Zukunft bereits ein Stück weit antizipiert: Denn auch Typen von künftig aufkommenden neuronalen Netzen können von der Hardware so unterstützt werden. Zudem können die Rechenressourcen der Hardware-Plattform je nach Auslastung dynamisch eingeteilt werden.

Der entwickelte KI-Chip bietet zudem erhebliche Vorteile in Bezug auf Leistungsaufnahme, Verarbeitungsgeschwindigkeit sowie Kostenersparnis im Vergleich zu herkömmlichen Mehrzweckprozessoren (CPUs) oder Grafikprozessoren (GPUs).

Deutschlandweite Forschungsinitiative

Das Projekt »KI-FLEX – Rekonfigurierbare Hardwareplattform zur KI-basierten Sensordatenverarbeitung für das autonome Fahren« wurde vom Bundesministerium für Bildung und Forschung (BMBF) im Rahmen der Richtlinie zur Förderung von Forschungsinitiativen auf dem Gebiet der »KI-basierten Elektroniklösungen für sicheres autonomes Fahren (KI-Element: autonomes Fahren)« gefördert. Die Initiative startete im September 2019.

Das Projektkonsortium unter der Leitung des Fraunhofer IIS umfasst mehrere Forschungs- und Industriepartner aus Deutschland: Infineon Technologies AG, videantis GmbH, TU München (Lehrstuhl für Robotik, Künstliche Intelligenz und Echtzeitsysteme), Fraunhofer-Institut für Offene Kommunikationssysteme FOKUS, Daimler Center for Automotive IT Innovations (DCAITI, TU Berlin) sowie die Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl für Informatik 3: Rechnerarchitektur).