7. April 2025
Eine kürzlich eingereichte Klage hat erneut die Besorgnis der Öffentlichkeit hinsichtlich der Datenschutzrisiken im Zusammenhang mit autonomem Fahren geweckt.
Im Juli 2022 reichte der Verbraucherzentrale Bundesverband (VZBV) eine Klage gegen Tesla. Eine der Anschuldigungen, mit denen Tesla konfrontiert ist, richtet sich insbesondere gegen den Wächtermodus. Im Wächtermodus zeichnen die an geparkten Tesla-Fahrzeugen angebrachten Kameras ständig die Umgebung auf, um das Fahrzeug vor Diebstahl und Vandalismus zu schützen. Die Aufzeichnungen enthalten personenbezogene Daten von Fußgängern und anderen vorbeifahrenden Fahrzeugen ohne deren Einwilligung.
Gemäß der DSGVO ist das Einschalten einer Kamera in der Öffentlichkeit nur in sehr begrenzten und streng regulierten Fällen erlaubt (z.B. an Kriminalitätsschwerpunkten durch die Polizei und nur nach Verifizierung durch beispielsweise das Polizeiaufgabengesetz in Bayern (Art. 32 Polizeiaufgabengesetz)). Für viele Unternehmen in Branchen, in denen öffentlich erhobene Daten für die Produktentwicklung und den Fortschritt benötigt werden, stellt sich die Frage, ob Daten in der realen, unkontrollierten Umgebung überhaupt rechtmäßig erhoben werden können. Insbesondere für die Entwicklung autonomer Fahrzeuge sind solche Daten von essentieller Bedeutung.
Autonomes Fahren wurde stets mit Datenschutzproblemen in Verbindung gebracht. Hersteller werden kontinuierlich aufgefordert, auf steigende Datenschutzbedenken bezüglich ihrer fortschrittlichen Fahrerassistenzsysteme (ADAS) und autonomen Fahrzeuge (AV) zu reagieren. Die Klage gegen Tesla hat erneut die Aufmerksamkeit auf ein relativ vernachlässigtes Datenschutzanliegen gelenkt: Wie kann der Datenschutz von Passanten und Fahrzeugen während der Entwicklung und Erprobung von ADAS und AV gewährleistet werden? Insbesondere unter Berücksichtigung der Tatsache, dass solche Daten für die Entwicklung und Erprobung von ADAS und AV unerlässlich sind.
Die Bedeutung von Videodaten für die Entwicklung von ADAS und AV
Sowohl ADAS als auch AV sind darauf ausgelegt, die Zahl der Verkehrsunfälle zu reduzieren, indem menschliche Fehler beim Fahren minimiert werden. Der Betrieb und die Entscheidungsfindung beider Systeme basieren auf den Informationen, die sie aus der Umgebung sammeln. Um die Fahrsicherheit zu gewährleisten, umfassen sowohl ADAS als auch AV mehrere essentielle sicherheitskritische Anwendungen, wie automatische Notbremsung (AEB), Erkennung gefährdeter Verkehrsteilnehmer, Intentionsvorhersage etc. Die Forschung und Entwicklung dieser Modelle erfordert eine enorme Menge an Daten, die von Bordsensoren, Radar, Kameras, GPS und Lidars im realen Verkehr gesammelt werden. Die Daten werden verwendet, um das Modell dahingehend zu trainieren, die sicherste Option zur Unfallvermeidung zu wählen.
Im Vergleich zu Daten aus simulierten/kontrollierten Umgebungen bieten Echtverkehrsdaten vielfältigere Situationen, in denen viele unkontrollierbare und unvorhersehbare Ereignisse auftreten können. Zum Beispiel ein Kind, das über die Straße rennt, um einem Ball hinterher zu jagen, oder ein Hund, der plötzlich vor das Auto läuft. Diese unerwarteten, aber möglichen Szenarien werden als Randfälle bezeichnet. Die Anzahl dieser Fälle summiert sich jedoch zu den gleichen wie die üblichen Überraschungsmomente während des Testens und bildet einen Long-Tail-Effekt. Einige Experten auf diesem Gebiet behaupten, die Unvorhersehbarkeit und Unkontrollierbarkeit von Randfällen hielten die AV-Entwicklung zurück, da es diese Fälle sind, die bestimmen, ob AVs sicherer sind als menschliche Fahrer. Gegenwärtig besteht die allgemeine Richtung für Randfälle darin, maschinelle Lernalgorithmen mehr Daten auszusetzen. Aufzeichnungen aus dem realen Verkehr können möglicherweise nicht alle potenziell auftretenden Szenarien abdecken, bilden jedoch eine Grundlage für den Aufbau einer Simulationsdatenbank zu Trainingszwecken.
Datenschutzrisiko bei der Datenerhebung während der Entwicklung des autonomen Fahrens
Automobilunternehmen haben den Nutzen von Echtdaten erkannt und führen Forschungsfahrten durch. Dies klingt wie ein sehr erfreulicher Schritt nach vorn, aber viele übersehen das Datenschutzproblem, das solche Forschungsfahrten verursachen.
Während der Testfahrten werden unvermeidlich Daten unbeteiligter Passanten aufgezeichnet und gespeichert. Die DSGVO strebt danach, eine Opt-in-Verordnung zu sein, bei der eine Einwilligung erforderlich ist, um ihre rechtmäßige Umsetzung sicherzustellen. Für kommerzielle Anwendungsfälle wie Teslas Wächtermodus reicht es nicht aus, einfach zu erklären, dass die Datenerhebung aus berechtigtem Interesse erfolgt, da dies weder dem Kerngedanken der DSGVO entspricht noch in eine der Umstände der rechtmäßigen Datenverarbeitung passt, die durch Artikel 6 der DSGVO. Das Problem besteht darin, dass es bei der Aufzeichnung von Echtzeitverkehrsdaten in unkontrollierten Umgebungen nahezu unmöglich ist, die Einwilligung jedes Passanten einzuholen.
Lösung des Dilemmas
Bedeutet dies also, dass die Datenerhebung für die Produktentwicklung die Risiken des Datenmissbrauchs und von Datenschutzverletzungen überwiegt? Oder muss die Innovation geopfert werden, um die Daten der Öffentlichkeit zu schützen?
Die Datenanonymisierung kann eine Lösung für dieses Dilemma darstellen. Wie es in Erwägungsgrund 26 der DSGVO, „[die DSGVO] betrifft daher nicht die Verarbeitung solcher anonymen Informationen [1], einschließlich für statistische oder Forschungszwecke.“ Ähnliche Aussagen finden sich auch in anderen Datenschutzbestimmungen anderer Länder.
Bei brighter AI, glauben wir an Datenschutz und technologische Innovation. Wir weigern uns zu glauben, dass wir in einer Welt leben, in der wir Kompromisse zwischen Datenschutz und technologischer Innovation eingehen müssen. Daher haben wir unsere hochmoderne Anonymisierungstechnik, Deep Natural Anonymization (DNAT), entwickelt. DNAT ist eine fortschrittliche Lösung zum Schutz von personenbezogenen Daten, die in Bild- und Videodaten erfasst werden. Diese Technologie erkennt und anonymisiert automatisch persönliche Informationen wie Gesichter und Nummernschilder und generiert einen synthetischen Ersatz, der die ursprünglichen Attribute widerspiegelt. Gleichzeitig werden kritische Informationen für maschinelles Lernen und KI-Innovation, wie Alter, Blick, Emotion usw., beibehalten. Somit schützt die Lösung die Identitäten von Individuen und Fahrzeugen, während notwendige Informationen für Analysen oder maschinelles Lernen erhalten bleiben.
Allgemeine Videoredaktionstechniken beinhalten das Verwischen der personenbezogenen Daten, was zu einem Verlust von Informationen und Kontext des Bildes führt. DNAT hingegen ersetzt die ursprünglichen personenbezogenen Daten durch künstliche, die ein natürliches Erscheinungsbild haben und die Inhaltsinformationen des Bildes bewahren. Es bewahrt die semantische Segmentierung, und die Konsistenz der semantischen Segmentierung wird gemessen. Wenn Sie an unserer Lösung interessiert sind, zögern Sie nicht, uns zu kontaktieren, um eine Demonstration oder eine kostenlose Testversion zu erhalten.
[1] Anonyme Informationen: Informationen, die sich nicht auf eine identifizierte oder identifizierbare natürliche Person beziehen, oder personenbezogene Daten, die in einer Weise anonymisiert worden sind, dass die betroffene Person nicht oder nicht mehr identifiziert werden kann.
