Autos der Zukunft - Universität Hamburg

Autos der Zukunft
Dr. Dominik Herrmann
Universität Hamburg
Folien zum Download:
http://dhgo.to/autosderzukunft
Themen des Vortrags
Einblick in die Technik
Safety (unbeabsichtigte Ereignisse)
Security (beabsichtigte Angriffe)
Herausforderung Haftung
Gefahr für die Privatsphäre
2
Einteilung der deutschen Bundesanstalt für Straßenwesen (BASt)
vollautomatisiert
hochautomatisiert
Fahrer muss nach Aufforderung
Kontrolle übernehmen
teilautomatisiert
Längs- und Querführung
Fahrer muss sofort eingreifen
assistiertes Fahren Längsführung
3
Von Fahrassistenz-Systemen zu autonomen Fahrzeugen
Komfortgewinn
Sicherheitsgewinn
Effizienzgewinn
Flexibilitätsgewinn
http://spectrum.ieee.org/static/the-self-driving-car; „Freie Fahrt in der digitalen Mobilität“, Grundsatzpapier des vzbv (9.2.2015)
4
Prototyp eines autonomen Fahrzeugs von Google
http://econ.st/ZZBLzi
5
Autonome Fahrzeuge nehmen ihre Umgebung mittels verschiedener
Sensoren wahr.
Lidar
GPS
Radar
Stereo-Kamera
Ultraschall
Zentralrechner
Radar
http://econ.st/ZZBLzi
6
Einige Hersteller setzen auf laser-basierte Technik (Lidar) zur Erfassung
der Umgebung, andere auf Radar und Videokameras.
https://www.youtube.com/watch?v=nXlqv_k4P8Q
7
Die Erkennung von Gefahren ist eine Frage von Wahrscheinlichkeiten.
100%-ige Sicherheit (Safety) ist erreichbar – aber auf Kosten des Komforts.
Anteil der
Situationen
ERKENNUNG
„normal“ „Gefahr“
REALITÄT
„Gefahr“
„normal“
richtig positiv
falsch negativ
falsch positiv
richtig negativ
defensiver Schwellwert
des Autos
Wert des
„Gefahr“-Sensors
offensiver Schwellwert
Technologische
Innovation
8
Die Verkehrszeichenerkennung gelingt – unter guten Sichtverhältnissen –
mittels maschineller Lernverfahren, etwa künstlichen neuronalen Netzen.
„50“
nichts
„50“
richtig positiv
falsch negativ
nichts
REALITÄT
ERKENNUNG
falsch positiv
richtig negativ
J. Stallkamp, M. Schlipsing, J. Salmen, C. Igel, Man vs. computer: Benchmarking machine learning algorithms for traffic sign recognition,
Neural Networks, Volume 32, August 2012, Pages 323-332, ISSN 0893-6080
9
Die eingesetzten Lernverfahren lassen sich allerdings in die Irre führen.
Erkannte Ziffer
Eingabedaten, die
fälschlicherweise
als Ziffer erkannt
werden
Nguyen A, Yosinski J, Clune J. Deep Neural Networks are Easily Fooled: High Confidence Predictions for Unrecognizable Images. In CVPR ’15, IEEE, 2015.
10
Dadurch könnten Störer gezielt das Verhalten eines autonomen Fahrzeugs
manipulieren – nur eines der vielen Security-Probleme.
Nguyen A, Yosinski J, Clune J. Deep Neural Networks are Easily Fooled: High Confidence Predictions for Unrecognizable Images. In CVPR ’15, IEEE, 2015.
11
Das Fahren „auf Sicht“ weist zahlreiche Einschränkungen auf. Detailliertes
und präzises Kartenmaterial (im Zentimeterbereich) soll Abhilfe schaffen.
http://www.wired.com/2012/01/ff_autonomouscars/
12
Zusätzliche Vernetzung der Fahrzeuge erlaubt rechtzeitige Übermittlung
von Gefahren; in Kombination mit Sensordaten höhere Zuverlässigkeit.
https://www.car-2-car.org/index.php?id=196
13
Die Vernetzung verspricht Effizienzgewinne durch Stauvermeidung,
höhere Fahrzeugdichte und geringeren Kraftstoffverbrauch.
https://vimeo.com/37751380
14
Allerdings entstehen auch neue Angriffsmöglichkeiten, etwa wenn es gelingt, Nachrichten zu fälschen, um den Verkehr zu beeinflussen (Security).
https://www.car-2-car.org/index.php?id=175
15
Abgesehen davon besteht die Gefahr von Sicherheitslücken und Schwachstellen, die unbemerkt aus der Ferne ausgenutzt werden können.
http://www.bild.de/auto/auto-news/bmw-modelle/bmw-sicherheits-leck-luecke-software-connecteddrive-39563418.bild.html
16
Eine Frage der Moral: Umgang mit Extremsituationen
http://people.virginia.edu/~njg2q/ethics.pdf
17
Sollen Hersteller programmatisch festlegen, welcher Radfahrer angefahren wird? Oder soll das Auto (wie der Mensch) zufällig reagieren?
ohne Helm
mit Helm
höhere Chance beim
Aufprall zu sterben
höhere Chance
zu überleben
http://www.theguardian.com/environment/green-living-blog/2010/apr/07/david-cameron-cycles-without-helmet
18
Wie können Hersteller die Sicherheit ihrer Fahrzeuge im Straßenverkehr
nachweisen? Wie können Nutzer bei einem Unfall ihre Unschuld beweisen?
Fahrer haftet, wenn er gelenkt hat
Hersteller haftet (immer?)
< 50 Fahrstunden
> 1.000.000 Kilometer ohne Unfall
Reicht das?
Gefahren-Situationen treten sehr selten auf und müssen daher gezielt trainiert werden.
Wenn eine Situation nicht trainiert wurde, ist das Verhalten nicht präzise vorhersagbar.
Wegen Vielzahl an Parametern lässt sich die strittige Situation u.U. nicht reproduzieren.
http://fotos.autozeitung.de/938x704/images/hauptbild/2010/02/Top-10-Fahrschulautos.jpg
19
Automatisierte Fahrzeuge werden daher kontinuierlich Informationen zur
Fahrt sammeln und (ggf. anonymisiert) an ihren Hersteller übermitteln.
Zur Klärung der Haftung bei Unfällen:
Rekonstruktion des Fahrverhaltens anhand aufgezeichneter Daten
Vorteile für den Hersteller, der festlegt,
welche Daten gespeichert werden
Gefahr für die Privatsphäre:
Identifizierung des Fahrers auch anhand
anonymisierter Bewegungsdaten möglich;
u.U. reichen bereits 4 Ortsangaben aus
Verräterische Daten; wecken Begehrlichkeiten
http://www.nature.com/srep/2013/130325/srep01376/full/srep01376.html, http://www.npa.go.jp/nrips/en/traffic/section3.html
20
Autos der Zukunft
Vernetztes Fahren vs. automatisiertes Fahren
Strittige Haftungsfragen bei Fahrfehlern (Safety)
Zudem schwer aufklärbare Angriffe möglich (Security)
Abhilfe durch intensive Datenerfassung und -überwachung:
Verlust an Privatsphäre ist der Preis der Autonomie.
Dr. Dominik Herrmann
Kontakt: http://dhgo.to/svsdh