Digitalisierung und Deep Learning

„Deep-Learning-Algorithmen beschleunigen den Erfolg, damit nicht immer mehr Millionen von Kilometern abgefahren und die entsprechenden Szenarien abgespeichert werden müssen“, fährt F. Heidemann fort. Deep Learning hilft, den gesteckten Zeitrahmen zu halten. Auch für N. Koch ist Deep Learning ein zentraler Punkt: „Jedes Radar macht nicht nur seine eigenen Messungen, sondern vergleicht diese mit bereits vorhandenen Szenarien.“ Ein Unfall, wie im Fall Tesla geschildert, wäre sicher nicht passiert. „Deep Learning, also Wissen aus Erfahrung, ist der wesentliche Punkt für automatisiertes Fahren“, betont auch R. Jamal.
Eine Herausforderung besteht auch in der Datenmenge. „Es geht hier nicht mehr nur um Tera-, sondern schon um Peta-Byte an Daten“, so Dr. J. Hilsmann. „Die Herausforderung besteht also darin, Daten- bzw. Datenbereiche zu filtern und eine Vorauswahl zu treffen, wofür entsprechendes Know-how erforderlich ist.“
Auch die Security spielt eine wichtige Rolle beim autonomen Fahren. „Sieht der Sensor, das was geschieht oder nur dass was ihm vorgespielt wird? Etwa ein 80-km/h-Schild in der 30er-Zone“, gibt Prof. W. Huber als Beispiel. Fatal wäre es, wenn sich jemand in das Fahrsystem und die Fahrdynamik selbst einhacken würde. „Ein Teil der Sicherheitskonzepte besteht darin, den Zugriff zu beschränken“, betont Radar- und Technikexperte N. Koch. Er versichert: „Derzeit machen sich viele Entwickler darüber Gedanken, wie man eine Connectivity in einer offenen Welt bei gleichzeitiger Sicherheit gegen Fremdeingriffe gewährleisten kann.“ Prof. W. Huber ergänzt: „Das Segment Security ist ein sehr dynamisches. Wir müssen den Hackern immer einen Schritt voraus sein.“