Neue Erkenntnisse zu Skalierungsgesetzen im autonomen Fahren

In einer aktuellen Studie von Waymo wird bestätigt, dass eine Erhöhung der Daten- und Rechenressourcen die Leistung autonomer Fahrzeuge verbessern kann. Dies eröffnet neue Möglichkeiten für bessere adaptive Trainingsstrategien.

Einführung in die Skalierungsgesetze

In den letzten Jahren haben viele Durchbrüche im Bereich der Künstlichen Intelligenz (KI) einem gemeinsamen Muster gefolgt: Größere Modelle, die mit mehr Daten und Rechenleistung trainiert werden, erzielen oft außergewöhnliche Fortschritte. Die neueste Studie von Waymo untersucht, ob dieser Trend auch für das autonome Fahren gilt und etabliert neue Skalierungsgesetze in der Bewegungsplanung und -vorhersage – zentrale Fähigkeiten autonomer Fahrzeuge (AV).

Die Skalierungsgesetze der Bewegungsprognose und -planung

Die letzten Jahre der KI-Entwicklung wurden durch Skalierung vorangetrieben. Es wurde immer wieder gezeigt, dass die Leistung von Deep-Learning-Modellen vorhersehbar skaliert, wenn wir die Modellgröße, die Datensatzgröße und die Trainingsrechenleistung erhöhen. Diese Skalierungsgesetze treiben kontinuierliche Fortschritte bei großen Sprachmodellen (LLM) voran, wie die zunehmend leistungsfähigen KI-Systeme zeigen, die regelmäßig auf den Markt kommen.

Doch wie sieht es mit autonomen Fahrzeugen aus? Während der Waymo Driver sich in verschiedenen Umgebungen und Szenarien zurechtfindet – sei es im dichten Stadtverkehr, beim Einfädeln auf Autobahnen, beim Vorlassen von Einsatzfahrzeugen oder beim Reagieren auf einen Rotlichtfahrer – erfordert die Bewegungsprognose den Aufbau robuster Modelle, die die Vielzahl von Randfällen berücksichtigen, die auf öffentlichen Straßen auftreten können. Diese Aufgabe ist aufgrund der inhärenten Unsicherheit bei der Vorhersage des Verhaltens anderer Verkehrsteilnehmer und der komplexen Interaktionen zwischen ihnen äußerst komplex.

Die Forschungsergebnisse von Waymo

Um die Beziehung zwischen Bewegungsprognose und größerer Skalierung zu untersuchen, führte Waymo eine umfassende Studie mit einem internen Datensatz durch, der 500.000 Stunden Fahrzeit umfasst und damit deutlich größer ist als alle zuvor in der AV-Domäne verwendeten Datensätze.

Die Studie ergab Folgendes:

• Ähnlich wie bei LLMs folgt die Qualität der Bewegungsprognose einer Potenzgesetzfunktion in Abhängigkeit von der Trainingsrechenleistung.
• Die Skalierung der Daten ist entscheidend für die Verbesserung der Modellleistung.
• Die Skalierung der Inferenzrechenleistung verbessert die Fähigkeit des Modells, herausforderndere Fahrszenarien zu bewältigen.
• Die geschlossene Leistung folgt einem ähnlichen Skalierungstrend. Dies deutet erstmals darauf hin, dass die reale AV-Leistung durch die Erhöhung von Trainingsdaten und Rechenressourcen verbessert werden kann.

Implikationen für autonomes Fahren und darüber hinaus

Diese Erkenntnisse haben spannende Implikationen für die Entwicklung autonomer Fahrzeuge, da sie auf eine zunehmend breitere Palette von Szenarien und Umgebungen übertragbar sind. Durch diese Einsichten können Forscher und Entwickler von AV-Modellen nun mit Sicherheit davon ausgehen, dass die Verbesserung der Qualität und Größe der Daten und Modelle zu einer besseren Leistung führt. Die Fähigkeit, diese Modelle vorhersehbar zu skalieren, versetzt uns auf den Weg, unser Verständnis der vielfältigen und komplexen Verhaltensweisen, denen AVs täglich begegnen, kontinuierlich zu verbessern.

Diese Fortschritte haben das Potenzial, die Sicherheit von AVs weiter zu erhöhen. Ein realistischeres Abdecken möglicher Zukunftsszenarien entsteht, wenn das Modell skaliert wird. Ein sehr kleines Modell (~ 1M Parameter) wird auf der linken Seite gezeigt, während ein größeres Modell (~30M Parameter) auf der rechten Seite dargestellt ist. Das gelbe Kästchen zeigt das Fahrzeug, dessen Pfad vorhergesagt wird. Blaue/grüne Linien repräsentieren vorhergesagte Trajektorien, gelbe Punkte – die tatsächliche Trajektorie.

Unsere Erkenntnisse sind auf ähnliche robotische Planungsaufgaben übertragbar, bei denen Forscher nun ein klareres Verständnis dafür haben, welche Daten sie sammeln müssen und welche Modellgrößen sie trainieren sollten. Unsere Forschung eröffnet die Möglichkeit, adaptivere Trainingsstrategien für Planungsaufgaben in der Robotik zu entwickeln, wie z.B. die Anpassung der benötigten Rechenleistung zur Lösung komplexerer Szenarien.

Bei Waymo treiben wir ständig die Grenzen multimodaler Grundmodelle voran, die den Verlauf der breiteren KI-Forschung beeinflussen könnten. Wenn Sie leidenschaftlich daran interessiert sind, zu diesem spannenden Bereich beizutragen, laden wir Sie ein, Karrierechancen bei uns zu erkunden und die Zukunft des autonomen Fahrens und der KI mitzugestalten.

Quellenliste:

• Quelle: NEW INSIGHTS FOR SCALING LAWS IN AUTONOMOUS DRIVING