Wild aufs Lernen: Red Bull Advanced Technologies nutzt OCI, um KI für zukünftige Rennstars zu testen

Um den Sprung an die Spitze des Motorsports zu schaffen, brauchen aufstrebende Rennfahrer viel mehr als nur den Eifer und die Konzentration eines typischen Athleten.

„Wir suchen nach dem, was ich ‚Fanatismus bis zur Meisterschaft‘ nennen würde. Damit meine ich diesen brennenden Wunsch der Fahrer, zu lernen und noch besser zu sein, wenn sie das nächste Mal auf der Strecke sind“, erzählt Guillaume Rocquelin, Leiter der Fahrerakademie von Red Bull, der junge Fahrer coacht und aufbaut.

„Das bedeutet auch begierig nach jeder Art von Daten und Analysen zu sein, die wir ihnen zur Verfügung stellen können. Das ist die Grundhaltung, nach der wir suchen. Das allein bedeutet zwar nicht, dass man auch über die entsprechenden körperlichen Fähigkeiten verfügt, aber es ist der Ausgangspunkt“, erläutert er weiter.

Niemand weiß mehr über diesen Sprung auf die höchste Ebene des Rennsports als Rocquelin, der Renningenieur bei dem viermaligen Formel-1-Weltmeister Sebastian Vettel war, bevor er zum Leiter des Race Engineering wurde und dann zu seiner aktuellen Rolle wechselte. Die Red Bull Driver Academy ist eines der besten Trainingseinrichtungen des Sports – 7 der 20 Fahrer im heutigen F1-Grid sind Absolventen des Programms.

Rocquelin hat Möglichkeiten für die Weiterentwicklung der Trainingstools entdeckt, über die Trainer wie er heute verfügen. Vielversprechende junge Fahrer müssen begierig sein, so viel zu lernen, wie nur irgend möglich. Aber die Trainer haben wiederum nur sehr begrenzte Möglichkeiten, genau zu zeigen, warum ein Fahrer schneller fährt als ein anderer. Wann genau hat ein Fahrer gebremst, beschleunigt oder heruntergeschaltet? In welchem Winkel sind sie in und durch eine Kurve gefahren? Ein Fahrer kann nur beobachten und versuchen, zu replizieren, was er bei denjenigen sieht, die schneller sind als er.

Red Bull Advanced Technologies – das High-Performance-Engineering für den Motorsport anwendet und nach Anwendungen dieser Technologie in anderen Branchen sucht – widmet sich daher der Herausforderung, bessere Tools für das Training junger Fahrer zu entwickeln. Die Ingenieure von Red Bull Advanced Technologies arbeiten mit Experten von Oracle Data Science zusammen, um herauszufinden, wie maschinelles Lernen, Cloud-Computing und Datenvisualisierung kombiniert werden können, um diesen datenhungrigen Athleten eine wertvolle Trainingserfahrung zu bieten.

„In jeder Art von Coaching-Umgebung sind die Tools nur der Ausgangspunkt des Trainings. Und eine höhere Qualität bei den Tools bedeutet auch ein höheres Trainingsniveau“, sagt Rocquelin.

In jeder Art von Coaching-Umgebung sind die Tools nur der Ausgangspunkt des Trainings. Unde eine höhere Qualität bei den Tools bedutet auch ein höheres Trainingsniveau.

Guillaume Rocquelin Leiter der Red Bull Driver Academy

Das Data Science-Team von Oracle nutzt Oracle Cloud Infrastructure (OCI), um die Algorithmen zu verfeinern, die bei selbstfahrenden Autos verwendet werden – sogenannte Simultanous Localization and Mapping (SLAM)-Algorithmen –, um sie bei der Analyse von Rennvideos anzuwenden. Das geschah zunächst bei den eSport-Fahrern des Teams. Sollte dies erfolgreich sein, erwartet das Team, dass es in der Lage sein wird, Videos einer Fahrersession in eine Anwendung einzuspeisen, eine Analyse dieser Aufnahmen mit maschinellem Lernen durchzuführen und daraus neue Erkenntnisse zu gewinnen, wie die Rundenzeiten verbessert werden können.

Das Tool befindet sich noch in der frühen Entwicklungsphase. Die Data Scientists von Oracle stießen beispielsweise auf eine Herausforderung, wenn sie die Algorithmen für selbstfahrende Autos auf Rennwagen anstatt auf eine Standardlimousine anwendeten. „Beim Rennsport hat man es mit ganz anderen physikalischen Gesetzen zu tun“, erklärt Jigar Mody, Vice President of Artificial Intelligence Services bei Oracle. Wir erzählen Ihnen nun, wie OCI die Teams bei der Bewältigung einer ungelösten KI-Herausforderung unterstützte.

Zu Beginn stellte Red Bull Advanced Technologies dem Data Science-Team von Oracle Videoaufnahmen von seinen eports-Simulatoren zur Analyse zur Verfügung, und das Team von Oracle wandte auf diese die SLAM-Algorithmen an, um zu beurteilen, wo sich ein Auto auf der Strecke befindet. Dabei hoffte man, dass die Ergebnisse die Grundlage für eine Analyse liefern würden.

Dabei trat folgendes Problem auf: Als das Team SLAM zum ersten Mal auf das Rennvideo anwendete, lag der prognostizierte Standort um einen halben Kilometer daneben. Diese Algorithmen wurden nicht für Fahrzeuge entwickelt, die sich mit typischen Höchstgeschwindigkeiten von 320 km/h (200 Meilen pro Stunde) bewegen und auch dann auf der Straße bleiben, während auf sie in einer Kurve 5 G an Querbeschleunigung einwirken. Für die von ihnen geplanten Datenanalysesysteme ist jedoch ein präzises KI-Modell erforderlich. Also machten sich die Data Scientists von Oracle daran, das Modell zu überarbeiten.

Eine derartige Präzision ist wichtig. „Rennfahrer sind beim Fahren überaus präzise. Deshalb ist eine Positionsgenauigkeit von 20 Zentimetern absolut unerlässlich, damit die Algorithmen überhaupt zu etwas nützlich sind“, erläutert Dr. Alberto Polleri, Oracle Chief Data Scientist und der KI-Experte, der das Projekt leitet. „Und bei den Winkeln kommt es auf sehr wenige Grad an, um die Fahrzeugausrichtung korrekt zu beschreiben. Deshalb muss die Präzision innerhalb von weniger als einem Grad liegen.“

Das Data Science-Team von Oracle verwendet intensiv OCI-Grafikprozessoreinheiten (Graphics Processor Units, GPUs) als On-Demand-Compute-Leistung, um die großen Computing-Lasten zu unterstützen, die für die KI-Modellierung und -Tests benötigt werden. Das Team nimmt die Videodaten in OCI auf und verwendet dann Convolutional Neural Networks (CNNs) sowie rekurrente neuronale Netzwerke (RNNs), um die Bilder zu verarbeiten. Anschließend testen es mithilfe von OCI verschiedene Parameter und passt das KI-Modell an, um zu sehen, wie gut die Ergebnisse mit den tatsächlichen Geschehnissen auf der Rennstrecke übereinstimmen.

Dieser Prozess der Modellanpassung ist der rechenintensivste Teil. Daher ist es wichtig, Rechenkapazität als variable On-Demand-Cloud-Ressource auf OCI zur Verfügung zu haben. Bei einigen Modellen kann es Tage dauern, bis sie ausgeführt werden. Manchmal startet das Team einen Test und erkennt, dass dieser das Modell nicht verbessert, worauf dieser dann wieder gestoppt wird. Oder es werden verschiedene Modelle parallel ausgeführt. „Wir führen jeden Monat Hunderte von Experimenten durch, die mehrere Tage dauern“, erklärt Polleri.

Technische Implementierung auf OCI

So fließen die Daten durch die Architektur auf OCI:

Es beginnt mit der Aufnahme von Videoaufnahmen in OCI.

Dann fließen Daten zu drei parallelen Pipelines oder Workflows, um die visuelle Odometrie (Geschwindigkeit und Ausrichtung des Autos), die Position auf der Rennstrecke und die Fahrzeugsteuerung (Lenkrad und Räder) zu bewerten. Diese drei Workflows verwenden umfangreiches OCI Compute, einschließlich von GPUs.

Sobald die KI-Modelle verfeinert worden sind, hofft Red Bull Advanced Technologies, ein Tool auf OCI ausführen zu können, in das es Videodaten einspeisen und dann tiefgehende Analysen darüber erhalten kann, was ein Fahrer über die Runden getan hat – oder was ein Fahrer anders gemacht hat als andere.

Diese Art der Algorithmusforschung könnte sich auch in Anwendungen über den Rennsport hinaus als wertvoll erweisen. Mögliche Einsatzgebiete wären beispielsweise Bereiche wie die Robotik und das autonome Fahren – also jede Anwendung, bei der es nützlich wäre, vorherzusagen, wo die nächste Bewegung eines Objekts stattfindet. Auch wenn die meisten Anwendungsfälle keine Geschwindigkeiten wie die 200 Meilen pro Stunde eines Rennwagens beinhalten, sollten diese Verfeinerungen, die imRahmen des Rennsports entwickelt wurden, auch bei normalem Tempo nützlich sein. „Eine Technologie, die bei hoher Geschwindigkeit gut funktioniert, ist bei niedrigeren Geschwindigkeiten phänomenal“, erklärt Mody von Oracle.

Weitere Artikel zu Oracle Connect anzeigen