Uni Lübeck forscht an Sensoren für autonomes Fahren

Durch den Einsatz von Neuromorphic Computing und Spiking Neural Networks (SNNs) soll die Batterielaufzeit optimiert, die Reaktionszeit verkürzt und die Sicherheit erhöht werden. Das Projekt wird vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) gefördert und durch den Projektträger TÜV Rheinland begleitet.

Autonome Fahrzeuge benötigen präzise arbeitende Sensoren, um schnell und zuverlässig auf ihre Umgebung reagieren zu können. Aktuelle Forschung zielt darauf ab, die Energieeffizienz der Sensordatenverarbeitung zu verbessern, um beispielsweise die Batterielaufzeit zu maximieren und die CO₂-Emissionen zu verringern. Prof. Sebastian Otte vom Institut für Robotik und kognitive Systeme entwickelt mit seinem Team innovative Lösungen in diesem Bereich. Im Projekt NAOMI4Radar arbeitet das Team der Universität zu Lübeck gemeinsam mit der Mercedes-Benz AG, der TWT GmbH Science and Innovation sowie den assoziierten Partnern Intel Deutschland GmbH und der Technischen Universität München an der Optimierung der Radarsensorik für autonome Fahrzeuge durch den Einsatz von Neuromorphic Computing. Diese innovative Technologie orientiert sich an der Arbeitsweise des menschlichen Gehirns und ermöglicht eine energieeffiziente und schnelle Verarbeitung von Sensordaten. Das Lübecker Forschungsteam erhält dafür eine Fördersumme von rund 166.000 Euro.

Neuronale Netze für Radardatenverarbeitung

Die 2024 mit dem Nobelpreis für Physik ausgezeichneten Entwicklungen im Bereich künstlicher neuronaler Netze bilden auch im Projekt NAOMI4Radar eine Schlüsseltechnologie in der Radardatenverarbeitung. Ziel des Projekts ist es, die Radardatenverarbeitung durch Spiking Neural Networks (SNNs), eine spezielle Form neuronaler Netzwerke, effizienter zu gestalten. Im Vergleich zu herkömmlichen KI-Algorithmen bieten SNNs vereinfacht ausgedrückt den Vorteil, dass einzelne Neuronen nur dann aktiv werden, wenn sie tatsächlich gebraucht werden. Durch Einsatz in neuromorphen Prozessoren, wie es im Loihi 2 von Intel vorgesehen ist, kann dieses Potenzial ausgeschöpft werden. Das senkt nicht nur den Energieverbrauch, sondern ermöglicht prinzipiell auch eine schnellere Reaktionszeit der autonomen Fahrzeuge und erhöht somit die Sicherheit im Straßenverkehr.

Energiesparende Neuronenmodelle

Prof. Otte und sein Team konzentrieren sich dabei insbesondere auf die Weiterentwicklung des Balanced Resonate-and-Fire (BRF) Modells, dessen spezielle Eigenschaften es besonders für die effiziente Verarbeitung von Radardaten interessant macht. Die Effizienz soll durch die Verwendung von biologisch inspirierten Sparse Coding Ansätzen noch weiter gesteigert werden. Sparse Coding hat das Ziel, die Robustheit von neuronalen Netzen zu verbessern, um sie beispielsweise fehlertoleranter zu machen. Gleichzeitig wird die Aktivität, also die Menge der Spikes, die im Netzwerk zirkulieren, auf ein Minimum reduziert. In Zusammenarbeit mit den Projektpartnern soll eine vollständige Integration von neuromorpher Radardatenverarbeitung realisiert und in einem Prototypenfahrzeug getestet werden.
Das Projekt, das bis August 2025 läuft, wird vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) gefördert und vom Projektträger TÜV Rheinland begleitet. Die Universität Lübeck bringt ihre Expertise im Bereich Künstlicher Intelligenz und neuromorphe Algorithmen in dieses praxisorientierte Forschungsprojekt ein und leistet damit einen Beitrag für die Entwicklung und Erprobung nachhaltiger KI-Lösungen im industriellen Kontext.

Originalpublikation zum Lübecker BRF-Modell

Higuchi et al. Balanced Resonate-and-Fire Neurons. Proceedings of the 41st International Conference on Machine Learning, Vienna, Austria, 2024. proceedings.mlr.press.