General Motors hat ein Verfahren entwickelt, das KI-Modelle für autonomes Fahren mit bis zu 50.000-facher Echtzeit-Geschwindigkeit trainiert – und damit eine der größten technischen Hürden auf dem Weg zum selbstfahrenden Fahrzeug neu definiert.
GM beschleunigt KI-Training für autonomes Fahren auf das 50.000-Fache der Echtzeit
General Motors hat einen Ansatz entwickelt, mit dem sich KI-Modelle für autonomes Fahren mit bis zu 50.000-facher Echtzeit-Geschwindigkeit trainieren lassen. Das Verfahren soll die Skalierbarkeit von Autonomiesystemen grundlegend verbessern und den Weg zu zuverlässigen selbstfahrenden Fahrzeugen verkürzen.
Das Skalierungsproblem beim autonomen Fahren
Eines der zentralen Hindernisse beim Entwickeln von Fahrassistenz- und Autonomiesystemen ist der enorme Datenbedarf. Reale Testkilometer allein reichen nicht aus, um seltene, aber kritische Verkehrssituationen in ausreichender Häufigkeit zu erfassen. Ein KI-Modell, das sicher durch dichten Stadtverkehr, schlechte Witterungsbedingungen oder ungewöhnliche Verkehrssituationen navigieren soll, benötigt Millionen von Trainingsstunden – ein Aufwand, der sich auf öffentlichen Straßen weder zeitlich noch wirtschaftlich sinnvoll abbilden lässt.
Ben Snyder, der das KI-Research-Team für autonome Fahrzeuge bei GM leitet, beschreibt in einem Beitrag für IEEE Spectrum den Ansatz seines Teams:
Statt ausschließlich auf physische Testfahrten zu setzen, kombiniert GM skalierbare Simulationsumgebungen mit datengetriebenen Weltmodellen, um das Training massiv zu beschleunigen.
Simulation als zentrales Trainings-Werkzeug
Der Kern des Verfahrens liegt in einer hochgradig parallelisierten Simulationsinfrastruktur. Durch den gleichzeitigen Betrieb tausender virtueller Fahrzeuginstanzen lässt sich die effektive Trainingszeit gegenüber der Echtzeit um den Faktor 50.000 steigern. In der Praxis bedeutet das: Szenarien, deren reale Befahrung Jahrzehnte dauern würde, lassen sich innerhalb weniger Stunden oder Tage simulieren und für das Modelltraining nutzen.
Dabei geht es nicht nur um schiere Rechengeschwindigkeit. Entscheidend ist die Qualität der synthetisch generierten Szenarien. GM setzt auf sogenannte „Closed-loop”-Simulationen, bei denen das trainierte Modell aktiv mit der simulierten Umgebung interagiert – im Unterschied zu einfachen „Open-loop”-Ansätzen, bei denen lediglich aufgezeichnete Daten abgespielt werden.
Closed-loop-Training deckt Fehler auf, die ein Modell erst durch eigene Entscheidungen verursacht, und ermöglicht so robusteres Verhalten in realen Situationen.
Datengetriebene Weltmodelle als Grundlage
Ein weiterer Baustein ist der Einsatz neuronaler Weltmodelle, die aus realen Sensordaten gelernte Umgebungsrepräsentationen erzeugen. Diese Modelle können Verkehrssituationen realistisch fortschreiben und variieren, ohne dass für jede neue Situation ein manuell erstelltes 3D-Asset benötigt wird. Das reduziert den Engineering-Aufwand erheblich und erlaubt eine breitere Abdeckung seltener Ereignisse – sogenannter „Long-tail”-Szenarien, die im realen Betrieb unverhältnismäßig viele Unfälle verursachen.
Snyder, der zuvor bei Cruise, Microsoft und Amazon tätig war, betont einen oft übersehenen Punkt:
Die eigentliche Herausforderung liegt nicht in der Hardware – sondern darin, Trainingsdaten und Simulationsszenarien so zu gestalten, dass sie tatsächlich zu besserem Fahrverhalten führen. Modelle, die in der Simulation glänzen, auf der Straße jedoch versagen, lösen kein einziges Problem.
Einordnung für deutsche Unternehmen
Für deutsche Automobilhersteller und Zulieferer ist der GM-Ansatz ein deutlicher Hinweis auf die Richtung, in die sich das Feld bewegt. Wer im Wettbewerb um skalierbare Autonomiesysteme relevant bleiben will, wird mittelfristig erheblich in Simulationsinfrastruktur und neuronale Weltmodelle investieren müssen. Gleiches gilt für Technologieanbieter, die Software-Stacks für ADAS- und Autonomiefunktionen entwickeln.
Die Fähigkeit, KI-Modelle schnell, sicher und reproduzierbar zu trainieren, wird zunehmend zum entscheidenden Differenzierungsmerkmal – unabhängig davon, ob das Endprodukt ein Pkw, ein Nutzfahrzeug oder ein Robotaxi ist.
Quelle: IEEE Spectrum AI
