Machine Learning in der Entwicklung von Fahrerassistenzsystemen
Seite 3: Gestiegene Anforderungen
In den letzten Jahren und im Hinblick auf das autonome Fahren haben die Anforderungen an Fahrerassistenzsysteme stark zugenommen. Ein autonom fahrendes Fahrzeug benötigt eine Vielzahl von Kameras, mehrere Laserscanner und Radarsensoren, Ultraschallsensoren, Differentielles Globales Positionierungssystem (DGPS) und eine inertiale Messeinheit (IMU), um genug Informationen über die Verkehrssituation zu erhalten. Sämtliche Sensordaten werden komplexer, und Fahrzeuge müssen in der Lage sein, in sämtlichen Ländern dieser Welt unter jeglichen Bedingungen autonom und sicher zu fahren. Dabei fällt eine riesige Menge an Daten an, und klassische Algorithmen sowie Methoden aus dem Gebiet des maschinellen Lernens stoßen hierbei an ihre Grenzen.
Die Automobilindustrie und Wissenschaft wenden sich daher verstärkt dem Deep Learning zu, einem weiteren Werkzeug aus dem Machine-Learning-Repertoire, das auf künstliche neuronale Netze setzt. Letztere sind ähnlich wie das menschliche Gehirn aufgebaut: Neuronen sind untereinander verbunden und zu einem Netz zusammengeschaltet. Beim Training der Netze kommt statt des traditionellen ML-Ansatzes ein hierarchischer zum Einsatz. Der Algorithmus lernt wichtige Charakteristiken selbständig und extrahiert sie stufenweise. Das Anlernen mit Trainingsbeispielen bleibt bestehen aber die Definition einer passenden Merkmalsrepräsentation entfällt.
Dadurch ist kein detailliertes Wissen der Daten im Vorfeld notwendig, und die Merkmalsrepräsentation muss nicht über mehrere Iterationen verfeinert, angepasst und getestet werden. Der implementierte, hierarchische Prozess von Deep Learning lernt eine implizite Repräsentation von Daten und bildet sie über mehrere Layer ab. Das beispielhafte Training der ersten Schicht dient dem Erkennen unterschiedlicher Objekte auf der Basis von Bildpunkten. Ein zweiter Layer kann die Pixel zu höherwertigen Strukturen wie Linien zusammenschalten, bevor anschließend ein dritter Layer die Linien zu ganzen Objekten kombinieren kann. Dabei ist die Anzahl von Layern beliebig.
Die Methode eignet sich hervorragend, um große und komplexe Datenmengen ohne manuelles Erstellen einer Merkmalsrepräsentation zu analysieren, es existieren noch nicht gelöste Herausforderungen: Deep Learning ist eine Blackbox, nicht linear und sehr komplex. Derzeit ist es noch nicht möglich zu verstehen, welcher Eingangsparameter genau welche Auswirkung auf den Ausgang vom Netz hat. Neue Ansätze orientieren sich daher meist an bekannten und erprobten Netzwerkstrukturen und Parametrisierungen.
Das Trainieren des Netzes wird durch die Optimierung der Ausgabeschicht auf Basis aller Parameter und Verknüpfungen im gesamten Netz durchgeführt. Da dabei viele Parameter zu optimieren sind, benötigt der Trainingsvorgang eine immense Menge an Rechenressourcen und damit den Einsatz von GPUs, die schnell parallel rechnen können. Zu beachten ist, dass der Trainingsvorgang einmalig und während der Entwicklung von Fahrerassistenzsystemen durchgeführt werden muss. Zur Serienreife und laufend im Fahrzeug, benötigen auf Deep Learning basierte Algorithmen keine großen Rechenressourcen mehr.
