War der Uber-Unfall Ursache eines Klassifizierungsproblems?

Noch ist die genaue Ursache des ersten tödlichen Unfalls mit einem selbstfahrenden Uber nicht bekannt, aufgrund der bisher vorliegenden Details könnte aber ein Problem herauskristallisieren. Die Klassifizierung von Objekten.

Autonome Autos erhalten von ihren Sensoren, die sich zumeist aus Kameras, Radar, Ultraschall und Lidars zusammensetzen, eine Unmenge an Informationen. Zwischen ein und vier Terabyte an Daten entstehen innerhalb von einer Stunde, die in Echtzeit verarbeitet und verstanden werden müssen.

Aus den Datenmengen muss das Fahrzeug verstehen, welche Objekte es umgeben, welches Verhalten diese typischerweise zeigen, in welchem Kontext diese gelten, und wie darauf zu reagieren ist. Menschen in jeder Form wird dabei die höchste Aufmerksamkeit geschenkt, da sie am verletzlichsten sind. Nun ist es eine Sache, eine menschliche Figur zu erkennen. Schon diese kommt in unterschiedlichen Varianten vor. Die Größe spielt eine Rolle (Erwachsene, Kinder), eine andere deren Körperhaltung. Menschen haben nicht immer einen aufrechten Gang, sondern gehen gebückt oder bücken sich, sie sitzen, kriechen, oder kommen in einer Menge verrückten Posen vor. Autonome Autos müssen trotzdem Menschen erkenn können, egal wie verbogen sie posieren.

fig-3.jpg

Dabei bleibt es aber nicht. Menschen kommen oft mit Taschen oder Kisten bepackt auf der Straße vor. Oder zu Halloween laufen viele kleine Menschen mit den verrücktesten Kostümen herum, die es den Fahrzeugen erschwert zu erkennen worum es sich da wohl handelt. Oder sie sitzen auf Fahrrädern, Rollstühlen, Segways oder Motorrädern. Jedes Bewegungshilfsmittel bedeutet auch eine andere Bewegungsdynamik. Motorräder sind sehr schnell und wursteln sich zwischen Autos durch. Fahrräder ändern zuweilen spontan die Richtung.

waymocastle-18.jpg

Auch Gesten von Fußgängern sind ein wichtiges Kommunikationselement, die vom Auto verstanden werden müssen.

Bei dem tödlichen Unfall in Tempe war soweit bekannt eine obdachlose Frau das Opfer, die ein mit Plastiktüten beladenes Fahrrad geschoben hatte. Die Form des Objektes kann für das autonome Auto verwirrend sein, wenn es noch nicht ausreichend klassifiziert worden war.

Homeless_01.jpg

Am Bild hier ist zu erkennen, wie unterschiedlich die Form einer Person sein kann, wenn sie ein bepacktes Fahrrad schiebt. Obwohl die Hersteller versuchen auf ihren Testgeländen solche unerwarteten Objekte zu testen, können nicht alle Objekte und Situationen vorhergesagt werden. Selbst Datenbanken mit annotierten Videos und Bildern von Menschen stellen nur den Anfang dar. Deshalb müssen autonome Autos auch außerhalb von Testgeländen getestet werden.

Ein Grund warum das Fahrzeug die Frau nicht erkannt hat, kann an der unerwarteten Form oder einer falschen Klassifizierung gelegen sein. Das Auto könnte die Frau mit dem Fahrrad als ein stationäres Objekt – wie beispielsweise einen Busch klassifiziert haben. Der bewegt sich üblicherweise nicht. Und deshalb mag das Fahrzeug die Entscheidung getroffen haben, die Geschwindigkeit nicht zu verringern. Obwohl das Objekt sich mitten auf der Straße befand.

iv12_ped_icon

Erschwerend könnte hinzugekommen sein, dass der Unfall um 22 Uhr geschah, als Dunkelheit herrschte und beispielsweise die Kameras nur eine beschränkte Auflösung und somit eine reduzierte Informationsdichte lieferten. Es kann auch sein, dass ein oder mehrere Sensoren defekt oder schlecht kalibriert waren und nicht ausreichende oder falsche Daten meldeten. Oder vielleicht waren die Prozessoren zu beschäftigt und klassifizierten und reagierten zeitversetzt und damit zu spät.

All das kann dazu führen, dass es ein Objekt entweder nicht erfasst wurde, oder umgekehrt sogenannte falsche Positive gibt. Das geschieht dann, wenn die Sensoren etwas melden, aber gar nichts da ist.  Ein Lichtstrahl, eine Flocke, oder ein Sensorenrauschen können den Eindruck vermitteln, es befindet sich ein Objekt auf der Straße, auch wenn da nichts ist. Um ein abruptest, unbegründetes Manöver des Autos zu vermeiden, wird viel mit Wahrscheinlichkeiten bearbeitet. Falsche Positive sollen so aussortiert werden.

Genau deshalb ist es wichtig Fahrsituationen in Simulator bei unterschiedlichen Bedingungen zu testen. Waymo beispielsweise testet gewisse Szenarien in bis zu 6.000 verschiedenen Varianten. Lichteinfall, Wetter oder weitere Fahrzeuge und Objekte auf der Straße spielen dabei eine große Rolle.

Um Unfälle wie diese zu vermeiden könnte eine bessere Klassifizierung, höher auflösende und lichtstärkere Kameras, oder auch neue Sensoren – Stichwort: Infrarotsensoren – helfen.

Bislang ist die Unfallursache klarerweise nur Spekulation und wir werden auf den genauen Unfallbericht warten müssen.

Dieser Artikel ist auch auf Englisch erschienen.

3 Kommentare

Hinterlasse eine Antwort

Trage deine Daten unten ein oder klicke ein Icon um dich einzuloggen:

WordPress.com-Logo

Du kommentierst mit Deinem WordPress.com-Konto. Abmelden /  Ändern )

Google+ Foto

Du kommentierst mit Deinem Google+-Konto. Abmelden /  Ändern )

Twitter-Bild

Du kommentierst mit Deinem Twitter-Konto. Abmelden /  Ändern )

Facebook-Foto

Du kommentierst mit Deinem Facebook-Konto. Abmelden /  Ändern )

w

Verbinde mit %s