KI und Echtzeitdaten treiben die Entwicklung autonomer Fahrzeuge voran

Autonome Fahrzeuge (AVs) bewegen sich weltweit aus der Testphase  hin in kommerzielle Bereiche wie Ridehailing Service, Frachtlogistik und mobilem Einzelhandel. Sowohl Verbraucher- als auch Nutzfahrzeuge nutzen Echtzeitdaten, um komplexe Simulationen zu erstellen und zu verstehen, wie KI auf unvorhersehbare Situationen reagiert.

KI ist ein integraler Bestandteil der Funktionen von AVs, angefangen von der Beobachtung und Entscheidungsfindung bis hin zur Steuerung und Überwachung. KI kann nicht nur Verkehrsstaus reduzieren und Reiserouten optimieren, sondern auch menschliche Eingriffe beim Fahren überflüssig machen. Es müssen jedoch noch Herausforderungen in Bezug auf die Sicherheit und Zuverlässigkeit von AVs überwunden und die Gesamtleistung der Fahrzeuge verbessert werden.

Der Ausbruch der COVID-19-Pandemie sowie eine Verlangsamung der wirtschaftlichen Entwicklung und der globalen Finanzierung haben viele AV-Versuche vorübergehend zum Stillstand gebracht. Darüber hinaus haben die hohen Investitionskosten, die mangelnde Rentabilität und der hohe Zeitaufwand für die Herstellung von AVs zum Ausstieg vieler Akteure geführt. So trennte sich beispielsweise Uber Ende 2020 von seiner AV-Einheit, und das Joint Venture Argo.ai von Ford und VW wurde 2022 aufgelöst. In der Folge versuchen Unternehmen wie Tesla, Waymo und Baidu, sicherere und zuverlässigere Fahrzeuge herzustellen.

Der neueste Bericht von GlobalData, “Digital Innovation Case Studies in Automotive”, beleuchtet die Implementierung von KI-Technologien anhand von realen Anwendungsfällen und bewertet den Return on Investment.

Continental will Markteinführungszeit verkürzen

Continental arbeitete mit NVIDIA, einem Anbieter von KI, und IBM Spectrum zusammen. Sie brachten fortschrittliche Fahrerassistenzsysteme (Advanced Driver Assistance Systems, ADAS) auf den Markt, die Deep Learning und trainierte künstliche neuronale Netze nutzen, um intelligente Sensoren und datengesteuerte Verkehrssicherheitslösungen zu entwickeln. Die Systeme sollen die KI-Trainingszeit um 70  Prozent verbessern und die Trainingszeit von Wochen auf Tage reduzieren.

BMW nutzt Big Data und ML zur Steigerung der Produktivität

Die BMW Group hat mit DXC Technology, einem Anbieter von IT- und Beratungsdienstleistungen, zusammengearbeitet, um effektiv auf die riesigen Datenmengen zuzugreifen und diese zu analysieren, die für die Entwicklung und Verbesserung der Fahralgorithmen für ihre automatisierten Fahrzeuge erforderlich sind. Die Plattform stellte fast 230 Petabyte nutzbaren Speicherplatz zur Verfügung und sorgte für eine ausreichende Verarbeitungskapazität, um innerhalb von nur drei Monaten bis zu 240 Millionen Kilometer an Testdaten zu simulieren.

Honda nutzt KI zur Verbesserung der betrieblichen Effizienz

Der Technologieanbieter Splunk hat für Honda Manufacturing of Alabama (HMA), Hondas größter Produktionsstätte für leichte Nutzfahrzeuge, eine Lösung für maschinelles Lernen (ML) implementiert. Splunk behauptet, dass seine ML-Lösung es HMA ermöglichte, auf die richtigen Daten zuzugreifen und die mittlere Reparaturzeit (MTTR) um 70 Prozent zu reduzieren.

Srathyusha Paruchuri, Tech Analyst von GlobalData: “Der Einsatz von KI und maschinellem Lernen verwandelt die Fahrzeuge in intelligente und anpassungsfähige Systeme. AVs beinhalten auch Cybersicherheit, um Fahrgastdaten vor bösartigen Aktivitäten zu schützen. Die Hersteller konzentrieren sich jetzt auf generative KI, die synthetische Trainingsdaten verwendet, um virtuelle Tests in einer kontrollierten Umgebung durchzuführen, wodurch ihre AVs effizienter und effektiver trainiert werden könnten.”

Lesen Sie auch : Handwerker-Recruiting 2.0