Aniket Salvi

Autonome Systeme werden zunehmend in verschiedenen sicherheitskritischen Anwendungen eingesetzt, etwa im autonomen Fahren. Gerade hier sind die Umfeld- und Betriebsbedingungen von entscheidender Bedeutung. Komponenten des Maschinellen Lernens (ML) wie Deep Neural Networks (DNN) fungieren als Wegbereiter und müssen daher selber bei wechselnden Umweltbedingungen zuverlässig funktionieren. Das Fraunhofer IKS bietet eine Lösung, die mit diesen vielfältigen und sich ständig ändernden Umweltbedingungen umgehen kann.

In unserem vorherigen Artikel haben wir einige standardisierte Begriffe im Zusammenhang mit dem autonomen Fahren und der Operational Design Domain (ODD) eingeführt. In diesem Artikel befassen wir uns mit den Sicherheitsaspekten des Übergangs durch mehrere ODDs während der Ausführung der dynamischen Fahraufgabe (Dynamic Driving Task, DDT).

Die Operational Design Domain (ODD) steckt den Bereich genau ab, in dem automatisierte Fahrfunktionen zum Einsatz kommen dürfen. Somit stellen sie eine grundlegende Voraussetzung für sicheres automatisiertes Fahren dar. Teil 1 einer dreiteiligen Serie über die Bedeutung der ODD.

Künstliche Intelligenz (KI) muss mit Unsicherheiten umgehen können, damit wir uns darauf verlassen können, dass sie auch in sicherheitskritischen Anwendungen funktioniert, zum Beispiel in autonomen Fahrzeugen. Das Fraunhofer-Institut für Kognitive Systeme IKS erforscht Möglichkeiten, wie KI logisch mit Unsicherheiten umgehen kann. Eine davon ist die Operational Design Domain.