KI in der Automobilbranche Supercomputer beschleunigt Entwicklung von autonomen Fahrzeugen

Mit der Investition in den neuen Supercomputer will Continental autonome Fahrfunktionen nun deutlich schneller zur Marktreife bringen.

Bild: Continental
28.07.2020

Laut Top500-Liste handelt es sich bei dem neuen High-End-System, das Continental in Frankfurt in Betrieb genommen hat, um den bislang leistungsfähigsten Rechner der Automobilindustrie. Der Supercomputer basiert auf Nvidia-DGX-Technologie und soll die Entwicklungszeit von autonomen Fahrsystemen enorm beschleunigen.

Um neue Technologien noch effizienter und schneller zu entwickeln, hat Continental nun in einen eigenen Nvidia-InfiniBand-verbundenen DGX-Supercomputer für Künstliche Intelligenz investiert. Dieser wird seit Anfang 2020 in einem Rechenzentrum in Frankfurt am Main betrieben und stellt Entwicklern global sowohl Rechenleistung als auch Speicherplatz zur Verfügung.

„Der Supercomputer ist eine Investition in unsere Zukunft“, sagt Christian Schumacher, Leiter Program Management Systems in der Geschäftseinheit Fahrerassistenzsysteme bei Continental. „Das hochmoderne System reduziert die Zeit für das Training neuronaler Netze, da mindestens 14-mal mehr Experimente gleichzeitig durchgeführt werden können.“

Aufgebaut ist das High-End-System aus mehr als 50 Nvidia-DGX-Systemen, die mit dem Nvidia-Mellanox-InfiniBand-Netzwerk verbunden sind. Es nimmt nach der aktuellen Liste der Top500-Supercomputer der Welt den aktuellen Spitzenplatz in der Automobilindustrie ein. Außerdem wurde ein hybrider Ansatz gewählt, um bei Bedarf Kapazität und Speicherplatz durch Cloud-Lösungen erweitern zu können. Schumacher spricht von einem „Meisterwerk der IT-Infrastrukturtechnik“.

Hauptanwendungen: Deep Learning, Simulation und virtuelle Datenerzeugung

Fortschrittliche Fahrerassistenzsysteme nutzen KI, um Entscheidungen zu treffen, den Fahrer zu unterstützen und letztlich autonom zu operieren. Umfeldsensoren wie Radar und Kamera liefern Rohdaten, die in Echtzeit von intelligenten Systemen verarbeitet werden, um ein umfassendes Modell der Fahrzeugumgebung und Interaktion mit dieser zu erstellen.

Da die Systeme jedoch immer komplexer werden, stoßen traditionelle Methoden der Software-Entwicklung und des maschinellen Lernens an ihre Grenzen. Deep Learning und Simulationen sind deshalb zu grundlegenden Methoden bei der Entwicklung von KI-basierten Lösungen geworden. 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 notwendig, um ein neuronales Netz zu trainieren, das später einem Fahrer assistieren oder sogar ein Fahrzeug autonom steuern kann.

Der Nvidia DGX Pod soll diese Zeit nun erheblich reduzieren: „Wir gehen davon aus, dass sich die Zeit, die für das vollständige Training eines neuronalen Netzes benötigt wird, von Wochen auf Stunden verkürzen wird“, sagt Balázs Lóránd, Leiter des KI-Kompetenzzentrum von Continental in Budapest, Ungarn. „Mit dem Supercomputer sind wir jetzt in der Lage, die Rechenleistung noch besser nach unseren Bedürfnissen zu skalieren und das volle Potenzial unserer Entwickler auszuschöpfen.“

Tägliche Testfahrten simulieren

Bis heute stammen die Daten, die für das Training der 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 TB an Daten – das entspricht gut 50.000 Stunden Filmmaterial. Diese Daten werden für das Training neuer Systeme genutzt, indem sie abgespielt und damit physikalische Testfahrten simuliert werden.

Mit dem Supercomputer lassen sich die Daten jetzt synthetisch erzeugen. Das ist ein rechenintensiver Anwendungsfall, bei dem Systeme durch virtuelles Durchfahren einer simulierten Umgebung lernen können. Das kann mehrere Vorteile für den Entwicklungsprozess liefern:

  • Erstens könnten Simulation auf lange Sicht die Aufzeichnung, Speicherung und Auswertung der von der physischen Flotte generierten Daten überflüssig machen, da sich notwendige Trainingsszenarien sofort auf dem System selbst erstellen lassen.

  • Zweitens wird die Geschwindigkeit erhöht, da virtuelle Fahrzeuge in wenigen Stunden die gleiche Anzahl an Testkilometern zurücklegen können, für die ein reales Auto mehrere Wochen benötigen würde.

  • Drittens ermöglicht die synthetische Generierung von Daten die Verarbeitung und Reaktion auf sich verändernde und unvorhersehbare Situationen. Fahrzeuge können so letztlich sicher durch extreme Wetterbedingungen navigieren oder sichere Prognosen über Fußgängerbewegungen erstellen – und damit den Weg zu einem höheren Automatisierungsgrad ebnen.

Betrieben mit Grünstrom

Der Supercomputer befindet sich in einem Rechenzentrum in Frankfurt, das aufgrund seiner Nähe zu Cloud-Anbietern und vor allem seiner KI-fähigen Umgebung ausgewählt wurde. Diese erfüllt spezifische Anforderungen hinsichtlich Kühlsysteme, Konnektivität und Stromversorgung.

Der Supercomputer wird mit zertifiziert grünem Strom betrieben, wobei die GPU-Cluster vom Design her viel energieeffizienter sind als Cluster auf Basis von zentralen Verarbeitungseinheiten.

Bildergalerie

  • Das High-End-System in Frankfurt am Main besteht aus mehr als 50 Nvidia-DGX-Einheiten.

    Das High-End-System in Frankfurt am Main besteht aus mehr als 50 Nvidia-DGX-Einheiten.

    Bild: Continental

  • Der Supercomputer kann beispielsweise die bislang in physischen Testfahrten gesammelten Daten synthetisch erzeugen.

    Der Supercomputer kann beispielsweise die bislang in physischen Testfahrten gesammelten Daten synthetisch erzeugen.

    Bild: Continental

Firmen zu diesem Artikel
Verwandte Artikel