In den letzten Wochen gab es eine Reihe von Artikeln über die mangelnden Fortschritte bei Tesla Full Self-Driving (FSD). Diese Geschichten stammen aus der Sicht der Beta-Testfahrer. Dieser Artikel ist aus der Sicht eines Systemarchitekten und Systemintegrators.
Bevor der Systemarchitekt mit der Arbeit beginnen kann, gibt es einen vorbereitenden Schritt. Der Systemanalytiker muss das System und die Umgebung beschreiben, die es aufbauen wird. Basierend auf den vom Analysten bereitgestellten Daten kann der Architekt über die Subsysteme und deren Zusammenspiel entscheiden.
Da das Full Self Driving-System bereits in vollem Gange ist und Tesla viele Einschränkungen und Anforderungen durch Versuch und Irrtum entdeckt hat, kann ich zum aktuellen Stand des Systems springen.
Von außen sieht es so aus, als sei der Fortschritt wie schon einige Male zuvor ins Stocken geraten. Elon Musk hat beschrieben, dass diese Fälle ein „lokales Maximum“ erreichen. Es ist eine nette Art zu sagen, dass es das Beste ist, was mit der verwendeten Technologie erreicht werden kann. Die Lösung war jedes Mal eine bessere, neuere Technologie.
Ich habe keinen Zweifel daran, dass Tesla jetzt danach sucht. Aber die Ironie des aktuellen lokalen Maximums ist, dass es nicht um die Technologie geht. Es geht um Methodik und möglicherweise um architektonische Mängel.
Das aktuelle System ist ein auf neuronalen Netzen basierendes künstliches Intelligenzsystem. Die ersten Versuche, KI-Systeme zu bauen, waren regelbasierte und Repository-basierte „Wissenssysteme“. Und hier liegt die große Ironie: Die besten Fahrlehrer bringen ihren Schülern bei, sich wie regelbasierte Automaten zu verhalten.
Regeln sind aus Sicht vieler Autofahrer zu brechen. Und sie haben Recht. Aber es gibt Regeln, um die Regeln sicher zu brechen.
Das FSD-System soll nicht versuchen, wie ein Mensch zu fahren, sondern wie ein regelbasierter Automat. Sie können dieses Verhalten nicht trainieren, indem Sie das Fahren von einer Million Menschen nachahmen, die alle ihren eigenen Regeln folgen. Die Beispiele, die die Trainingssoftware erhält, sollten nach den Regeln der gut erzogenen Automatisierung bewertet werden.
Tesla verfügt über Milliarden von Kilometern an Fahrdaten. Für nahezu jede denkbare Situation gibt es genügend Daten, um ihre KI zu trainieren. Was fehlt, ist eine klare Qualifizierung, was gute Beispiele und was Müll ist. Dies wird durch die vielen Fälle deutlich, in denen das FSD-System eine falsche Lösung wählt und Fahrfehler macht, die sehr häufig sind.
Ich denke, der grundlegende Fehler, den Tesla gemacht hat, besteht darin, das FSD-System zu trainieren, wie man großartig fährt, basierend auf Beispielen, wie man schlecht fährt. Amerikanische Fahrer gehören zu den schlechtesten in der entwickelten Welt.
In einigen Ländern der Dritten Welt wird ein Führerschein ausgestellt, nachdem nachgewiesen wurde, dass man ein Auto 30 Fuß weit auf einem Parkplatz fahren kann – einfach starten, fahren und anhalten. In einigen Teilen der USA sind die Anforderungen nicht viel anders.
In vielen europäischen Ländern muss der Kandidat die Befähigung zum Fahren im Berufsverkehr, auf Autobahnen und in Innenstädten nachweisen. Auf der Strecke gibt es immer wieder knifflige Situationen. Ein einziger Eingriff ist ein Fehler, und ein Eingriff erfolgt nicht, weil eine gefährliche Situation vorliegt, sondern ein Eingriff erfolgt, nur weil der Kandidat nicht gemäß den Regeln fährt. Das Ergebnis ist, dass wir weniger als die Hälfte der Verkehrsunfälle und Opfer in diesen europäischen Ländern haben. [Editor’s note: There are other factors that influence accident rates as well, including city design and transportation infrastructure planning. —Zach Shahan]
Wir brauchen FSD. Ohne ein System, das die Regeln wirklich kennt, werden wir es jedoch nie bekommen. Das neuronale FSD-Netz muss lernen, wie ein regelbasierter Automat zu fahren.
Schätzen Sie die Originalität von CleanTechnica? Erwägen Sie, Mitglied, Unterstützer, Techniker oder Botschafter von CleanTechnica zu werden – oder Gönner auf Patreon.