Fahrerassistenzsysteme und Autonomes Fahren

Seit der Erfindung des ersten Autos ist die Sicherheit der Motor für Innovation und Fortschritt in der Automobilindustrie. Heutzutage wird das maschinelle Lernen genutzt, um die Sicherheit in der Automobilindustrie zu erhöhen, aber auch um die Effizienz und den Komfort der Fahrer zu verbessern. Maschinelles Lernen wird sowohl bei fortschrittlichen Fahrerassistenzsystemen (ADAS) als auch beim autonomen Fahren (AD) eingesetzt, die sich auf KI-Algorithmen stützen, um Daten von Kameras und anderen Wahrnehmungsquellen wie Radaren und LiDARs zu analysieren und zu interpretieren, um Straßen zu navigieren und Fahrentscheidungen zu treffen. Diese Verbesserungen kommen auch bei Leichtfahrzeugen, Motor- und Fahrrädern sowie Geländewagen zum Einsatz, wodurch sich verschiedene Anwendungsmöglichkeiten ergeben, die über das Fahren auf einer Autobahn hinausgehen.

Fortschrittliche Fahrerassistenzsysteme (ADAS) werden ständig weiterentwickelt, um den Fahrern eine sicherere und komfortablere Fahrt zu ermöglichen. Diese Systeme kombinieren die Verarbeitung verschiedener Sensormodalitäten mit der Verarbeitung von Echtzeitdaten, um sowohl die Fahr- als auch die Einparkfähigkeiten zu verbessern.

KI spielt bei ADAS eine zentrale Rolle, da sie den Kern der Wahrnehmung der Umgebung durch das Fahrzeug bildet. Herkömmliche ADAS-Prozessoren haben unter mangelnder KI-Leistung und/oder unzureichendem Stromverbrauch gelitten, um die Anforderungen von ADAS-Steuergeräten zu erfüllen. Da sich die Landschaft der KI-Modelle in den letzten Jahren stark verändert hat, sind auch viele Prozessoren nicht mehr in der Lage, moderne neuronale Netze (NNs) auszuführen, was alternative Lösungen erfordert.

Die Hailo AI-Prozessoren sind auf Skalierbarkeit ausgelegt und können die anspruchsvollen Deep-Learning-Workloads unterstützen, die ADAS erfordert. Ein kleiner, stromsparender Chip kann mehrere Videoströme verarbeiten, und mehrere Chips können im Tandem oder in Kaskade arbeiten – und das bei branchenführender Effizienz und Skalierbarkeit, hohem Verarbeitungsdurchsatz und geringer Latenz. Die Flexibilität der Lösung ermöglicht den Einsatz modernster neuronaler Netze, einschließlich Transformatoren, sowie die Verwendung verschiedener Arten von Sensoreingängen, die sich in Auflösung und Eingangsgröße unterscheiden.​

Autonomes Fahren (Autonomous Driving, AD) ist eine Technologie, die es einem Fahrzeug ermöglicht, ohne direkten menschlichen Eingriff zu fahren. Es bezieht sich auf die Fähigkeit eines Fahrzeugs, ohne menschliches Zutun selbst zu fahren, einschließlich Lenken, Beschleunigen und Bremsen. Die in AD-Systemen verwendete Software und KI-Algorithmen verarbeiten Daten von mehreren Sensoren und treffen Entscheidungen darüber, wie das Fahrzeug auf seine Umgebung reagieren sollte. Dazu gehören die Anpassung der Geschwindigkeit, der Spurwechsel, das Ausweichen vor Hindernissen und vieles mehr.

Je höher der Grad der Autonomie, desto komplexere und fortschrittlichere Algorithmen werden benötigt und desto mehr KI-Kapazitäten sind erforderlich, um die riesigen Datenmengen von mehreren Sensoren zu analysieren und sichere und effiziente Fahr- oder Halteentscheidungen in Echtzeit zu treffen. Aus diesem Grund wird die Rolle von KI-Prozessoren beim autonomen Fahren immer wichtiger.

Auch wenn noch viel Entwicklungs- und Testarbeit zu leisten ist, bevor vollständig autonome Fahrzeuge auf den Markt kommen können, hat die AD-Technologie das Potenzial, den Verkehr zu revolutionieren, indem sie die Sicherheit erhöht, den Verkehrsfluss verbessert und die Produktivität der Menschheit erheblich steigert. Diese Technologie hält Einzug in eine Vielzahl von Märkten wie Robotik, Schwermaschinen, Geländewagen, Landwirtschaft und mehr, in denen Hailo aktiv mit Kunden und Partnern zusammenarbeitet, um den täglichen Betrieb zu automatisieren.