KI-Framework für autonome Systeme

Autonome Systeme sind dadurch gekennzeichnet, dass sie über Sensoren ihr Umfeld erfassen und mit diesem eigenständig über Aktoren interagieren können. Dies ermöglicht z. B. Autos selbstständig zu fahren, Robotern autonom Aufgaben zu erfüllen, oder Systemen sich adaptiv zu regeln. Ein solches System setzt sich aus Sensoren zur Umfelderfassung, Komponenten zur Aggregation, Auswertung und Interpretation von Daten sowie einer Situationsbewertung, Aktionsplanung und Aktorik zusammen. Deep Reinforcement Learning (DRL) ist dabei eine Methodik, die Entscheidungsfindung in autonomen Systeme bzw. autonomen Agenten zu implementieren.

Im Rahmen von »KI-Framework für Autonome Systeme« wird ein verlässlicher Fahrassistent entwickelt, um die Technologie zu demonstrieren. Die typische Verarbeitungskette eines autonomen Fahrzeugs besteht aus Perzeption, Routenplanung, Verhaltensplanung, Bewegungsplanung und Aktoren. Wir konzentrieren uns auf die Verhaltensplanung durch verlässliches Deep Reinforcement Learning (DRL).  Es werden Algorithmen für die Navigation in komplexen und kritischen Situationen mit sicherem Verhalten in Form einer sicheren Policy entwickelt. Das Training der KI ist so gestaltet, dass die Policy sowohl effizient ist, als auch strengen Sicherheitsbedingungen folgt. Darüber hinaus kann durch Extraktion von Entscheidungsbäumen mit Imitation Learning das Verhalten des KI-Agenten nicht nur interpretierbar, sondern auch verifizierbar gemacht werden. Dieses demonstriert, dass DRL effiziente und verlässliche Lösungen auch für sicherheitskritische Use-cases bietet.