Aufmerksamkeit hinterm Steuer gewährleisten
Mit neuronalen Netzwerken versuchen Wissenschaftler, das menschliche Gehirn zu modellieren. Sie hoffen, damit eine künstliche Intelligenz (KI) schaffen zu können. Neuronale Netzwerke werden genutzt, um komplexe Eingabe-Ausgabe-Beziehungen abbilden zu können. Genau wie Menschen eignen sich neuronale Netzwerke Wissen durch Lernprozesse an und speichern dieses Wissen in Form von neuronalen Gewichtungsfaktoren. Das Neural Networks Laboratory der Universität von Mailand in Italien nutzt neuronale Netzwerke mit dem Ziel, die Zahl von Verkehrsunfällen zu senken. Die ständige Überwachung von Elektrokardiogrammen, Atmung, galvanischer Hautreaktion sowie Hauttemperatur der Fahrer erzeugte Daten zum Grad ihrer Aufmerksamkeit. Andererseits wurden auch Fahrzeugparameter wie Geschwindigkeit, Beschleunigung, Lenkradwinkel usw. aufgenommen. Diese zwei Datenströme bildeten die Eingabewerte für ein hybrides neuronales Mehrschichtperzeptronen-Netzwerk (MLP - multilayer perceptron). Da neuronale Netzwerke angelernt werden müssen, wurde im nächsten Schritt ein intensives Training durchgeführt. Beim angewendeten Verfahren der Rückwärtpropagierung wurden Eingabedaten in das MLP gespeist und die Wichtungsfaktoren wurden angepasst, bis das gewünschte Ergebnis erreicht wurde. Die Nutzung der PAC-Lerntheorie (Probably Approximately Correct) half bei der Definition der notwendigen Menge an Lerneinheiten. Nach Abschluss der Schulung wurden Regeln für das Zusammenspiel zwischen den subsymbolischen und den symbolischen Elementen im MLP erstellt. Die Einbußen zwischen Berechnungszeit und Leistung wurden durch die Verwendung eines Optimierungsschemas mit Simulated Annealing auf intelligente Art und Weise ausgeglichen. Im Hinblick auf den Straßenverkehr mussten mit den verfügbaren Parametern die Prozesse definiert werden, die die höchste Aufmerksamkeit des Fahrers erfordern. Zusammenfassend lässt sich sagen, dass das System den Gesundheitszustand des Fahrers während der Ausübung solcher Prozesse überwacht und auf der Grundlage der Netzwerkergebnisse ein nützliches visuelles Feedback erzeugt. Auf dieser Stufe kann das System aber nur als Prototyp bezeichnet werden. Für weitere Fortschritte sind Partnerschaften mit Unternehmen notwendig, die die Entwicklung mit ihren jeweiligen Fähigkeiten unterstützen und ergänzen können.
