Automotive Supercomputer für das automatisierte Fahren.
Moderne Fahrerassistenzsysteme nutzen KI, um Entscheidungen zu treffen, den Fahrer zu unterstützen und letztlich autonom zu operieren. Da die Systeme jedoch immer komplexer werden, stoßen die traditionellen Methoden der Softwareentwicklung und des maschinellen Lernens an ihre Grenzen. Deep Learning und Simulationen sind deshalb zu grundlegenden Methoden bei der Entwicklung von zuverlässigen und robusten KI-basierten Lösungen geworden.
Der Supercomputer wird von einem Rechenzentrum in Frankfurt am Main aus betrieben und stellt Entwicklern an Standorten weltweit sowohl Rechenleistung als auch Speicherplatz zur Verfügung.
Deep Learning
Beim Deep Learning ermöglicht ein künstliches, neuronales Netz der Maschine, durch Erfahrung zu lernen und neue Informationen mit vorhandenem Wissen zu verbinden. Dabei wird im Wesentlichen der Lernprozess des menschlichen Gehirns nachgeahmt.
Doch während ein Kind in der Lage ist, ein Auto zu erkennen, nachdem ihm ein paar Dutzend Bilder von verschiedenen Autotypen gezeigt wurden, sind mehrere tausend Stunden Training mit Millionen von Bildern und damit enorme Datenmengen notwendig, um ein neuronales Netz zu trainieren, das später einem Fahrer assistieren oder sogar ein Fahrzeug autonom steuern kann.
Der Supercomputer verkürzt die Zeit, die für diesen komplexen Prozess benötigt wird und auch die Zeit bis zur Markteinführung neuer Technologien. Für das vollständige Training eines neuronalen Netzes wird sich die Zeit von Wochen auf Stunden verkürzen.
Simulation und virtuelle Datenerzeugung
Bis heute stammen die Daten, die für das Training dieser neuronalen Netze verwendet werden, hauptsächlich aus der Flotte von Versuchsfahrzeugen bei Continental. Derzeit fahren sie täglich rund 15.000 Testkilometer und sammeln dabei rund 100 Terabyte an Daten – das entspricht 50.000 Stunden an Filmen.
Bereits jetzt können die aufgezeichneten Daten für das Training neuer Systeme genutzt werden, indem sie abgespielt und damit physikalische Testfahrten simuliert werden. Mit dem Supercomputer können die Daten jetzt synthetisch erzeugt werden. Das ist ein rechenintensiver Anwendungsfall, bei dem Systeme durch virtuelles Durchfahren einer simulierten Umgebung lernen können.
Vorteile für den Entwicklungsprozess
Erstens könnte Simulation auf lange Sicht die Aufzeichnung, Speicherung und Auswertung der von der physischen Flotte generierten Daten überflüssig machen, da notwendigen Trainingsszenarien sofort auf dem System selbst erstellt werden können.
Zweitens wird die Geschwindigkeit erhöht, da virtuelle Fahrzeuge in wenigen Stunden die gleiche Anzahl von Testkilometern zurücklegen können, für die ein reales Auto mehrere Wochen benötigen würde.
Drittens ermöglicht die synthetische Generierung von Daten die Verarbeitung und Reaktion von Systemen auf sich verändernde und unvorhersehbare Situationen. Fahrzeuge können so letztlich sicher durch wechselnde und extreme Wetterbedingungen navigieren oder sichere Prognosen über Fußgängerbewegungen erstellen – und damit den Weg zu einem höheren Automatisierungsgrad ebnen.
Der Supercomputer wurde in Zusammenarbeit mit NVIDIA umgesetzt
Der Supercomputer von Continental besteht aus mehr als 50 NVIDIA DGX-Systemen, die mit dem NVIDIA Mellanox InfiniBand Netzwerk verbunden sind und nimmt, nach der aktuellen Liste der TOP500-Supercomputer der Welt, den Spitzenplatz in der Automobilindustrie ein. Außerdem wurde ein hybrider Ansatz gewählt, um bei Bedarf Kapazität und Speicherplatz durch Cloud-Lösungen erweitern zu können
Pressmitteilung: Training von KI-Systemen: Continental nimmt eigenen Supercomputer mit NVIDIA DGX-Technologie in Betrieb