Die Fortschritte der Künstlichen Intelligenz beruhen wesentlich auf zwei Entwicklungen: verfügbarer Rechenleistung und großen Mengen digitaler Daten. Während für das autonome Fahren auf Straßen bereits umfangreiche Datensätze existieren, ist die Situation im militärisch relevanten Offroad-Bereich deutlich schwieriger. Felsen, Schlamm, Vegetation, Steigungen sowie wechselnde Wetter- und Lichtverhältnisse erzeugen eine Vielzahl möglicher Situationen, die ein autonomes System erkennen und bewältigen muss.
Um hierfür eine bessere Datengrundlage zu schaffen, wurde gemeinsam mit Forschungspartnern der German Outdoor and Offroad Dataset (GOOSE) aufgebaut. Er umfasst Bild-, Infrarot- und Lasersensordaten aus unterschiedlichen Offroad-Szenarien und bildet die Umgebung anhand zahlreicher Klassen detailliert ab. Ergänzt werden die Sensordaten durch Informationen zu Aufnahmebedingungen, Sensorik und Annotation. Ziel ist es, eine Grundlage für das Training und die Validierung von Algorithmen zur autonomen Navigation im unwegsamen Gelände zu schaffen.
Perspektivisch soll daraus mehr als ein einzelner Datensatz entstehen. Auf NATO-Ebene wird daran gearbeitet, Ontologie und Regeln für die Kennzeichnung der Daten zu vereinheitlichen. Dadurch könnten künftig Datensätze unterschiedlicher Partner nach gemeinsamen Prinzipien aufgebaut und miteinander kombiniert werden. Gerade für datenintensive KI-Verfahren wäre ein solcher gemeinsamer Datenpool von erheblicher Bedeutung.
Die Herausforderung liegt vor allem in den seltenen Situationen, die ein System während des Trainings noch nie gesehen hat. Viele Fahrsituationen lassen sich bereits zuverlässig automatisiert bewältigen, die Robustheit entscheidet sich jedoch an den Ausnahmen. Deshalb sollen künftig auch Bundeswehrfahrzeuge mit Sensordatenboxen ausgestattet werden, um solche Situationen im Betrieb zu erfassen und in den Datenpool zurückzuführen. Aus Fehlern und unbekannten Situationen entstehen damit neue Trainingsdaten.
Robuste Autonomie ist folglich auch eine Datenfrage: Je vielfältiger reale Einsatzbedingungen erfasst, standardisiert und für das Training verfügbar gemacht werden, desto besser können autonome Systeme mit Situationen umgehen, die außerhalb bisher bekannter Szenarien liegen.