Machine Learning in der Entwicklung von Fahrerassistenzsystemen

Bei den vielen Berichten über autonomes Fahren in jüngster Zeit geht fast unter, dass Machine Learning längst in der Praxis der Automobilbranche angekommen ist und Fahrerassistenzsysteme verbessert.

In Pocket speichern vorlesen Druckansicht 7 Kommentare lesen
Machine Learning  in der Entwicklung von Fahrerassistenzsystemen

(Bild: Machine Learning & Artificial Intelligence / Mike MacKenzie / cc-by-2.0))

Lesezeit: 10 Min.
Von
  • Florian Baumann
  • David Hafner
  • Robin Lehmann
Inhaltsverzeichnis

Um die Anzahl der Verkehrsunfälle mit Fahrzeugen weiter zu reduzieren und die Folgen von Unfällen zu lindern, gibt es Entwicklungen in unterschiedlichen Bereichen: Sicherheitsmaßnahmen im Auto zum Schutz der Fahrinsassen, Verkehrsregeln und Fahrerassistenzsysteme. Derzeit nutzt der Automobilbereich Machine Learning in zahlreichen Anwendungen, und ein großer Anteil der Algorithmen kommt in der Forschung und Entwicklung von Fahrerassistenzsystemen zum Einsatz.

Dieser Artikel konzentriert sich auf den wichtigen Teilbereich kamerabasierter Fahrerassistenzsysteme in Kombination mit ML-Algorithmen. Da die Kamera als Sensor die gleichen Informationen liefern kann, die ein Mensch sieht, ist sie vielseitig einsetzbar. Doch Sensordaten einer Kamera besitzen eine hohe Komplexität und Varianz. Hinzu kommt, dass die möglichen Szenarien im Straßenverkehr neben Witterung, Beleuchtung und Verkehrssituation sowie die Anwendung in allen Ländern dieser Welt starken Variationen unterliegen. Entwickler müssen daher für Fahrerassistenzsysteme Methoden finden, die mit der Komplexität zurechtkommen. Ein wichtiger Bestandteil sind Bildverarbeitungsmethoden zur mathematischen Analyse des Bildinhaltes. Sie stoßen jedoch immer wieder an ihre Grenzen. Unter anderem hat bisher niemand eine Formel gefunden, um Menschen in allen Variationen in Bildern zu segmentieren.

Mehr Infos

Sonderheft iX Developer – Machine Learning

Weitere Artikel zum Themenfeld Machine Learning finden sich im Sonderheft "iX Developer – Verstehen, verwenden, verifizieren". Es ist am Kiosk sowie als PDF-Version im heise Shop erhältlich.

Daher kommt Machine Learning als weiterer Bestandteil der Entwicklung zum Einsatz, um den Algorithmus mit Trainingsszenen anzulernen und anschließend mit dem System unbekannten Szenen zu testen. Dabei handelt es sich nicht (nur) um Zukunftsmusik, sondern ML-Algorithmen sind in reale Systeme integriert, wie die folgende Schilderung von den Anfängen über die Gegenwart bis zu einer Ausschau in die Zukunft zeigt.

Zu den ersten einfachen kamerabasierten Fahrerassistenzsysteme gehört die sogenannte Nachtsichtkamera, um Fahrern bei Dämmerung mit Infrarotsensoren eine bessere Beobachtung der Szenerie vor dem Fahrzeug zu ermöglichen. Der Einzug einer solchen Kamera ins Fahrzeug ebnete den Weg für Bildverarbeitungsalgorithmen im Automobil. Als Beispiel sind Spurhalteassistenten zu nennen, die die Straßenmarkierungen dank Bildverarbeitungsalgorithmen robust erkennen und Fahrer beim Verlassen der Spur warnen. Eine Weiterentwicklung der Systeme und eine Verbesserung der Robustheit der Verfahren erlaubten den aktiven Eingriff, um unter anderem das Verlassen der Spur zu verhindern. Des Weiteren ermöglichte die Fusion der Algorithmen mit Radardaten, aktiv auf die Quer- und Längsbewegung des Fahrzeugs einzuwirken.

Radarsysteme kommen auch zum Einsatz, um den Abstand zum vorausfahrenden Fahrzeugs zu ermitteln. Durch die Kombination mit kamerabasierten Systemen lässt sich hier eine höhere Auflösung erreichen: Stereokamerasysteme ermöglichen die Berechnung des Abstands zu Objekten im Fahrzeugumfeld. Vergleichbar zum menschlichen Sehsystem nehmen sie die Szene aus zwei unterschiedlichen Perspektiven auf (linkes und rechtes Auge). Anhand der beiden Bilder lässt sich durch Triangulation der Abstand der Objekte zur Kamera berechnen – die Tiefe der Objekte. In den letzten Jahrzehnten wurden zahlreiche Methoden vorgestellt, um eine solche Tiefenkarte anhand eines Stereobildpaares zu ermitteln. Die Benchmarks von Middlebury und dem Karlsruhe Institute of Technology geben hierzu einen guten Überblick. Als Resultat kann eine solche Tiefenkarte als robuste Eingangsgröße für komplexere Fahrerassistenzsysteme und voll automatisiertes Fahren dienen.

Um die Jahrtausendwende schlugen einige Wissenschaftler die ersten ML-Algorithmen mit einer ausreichenden Komplexität vor, um Muster und Charakteristiken aus größeren Datenmengen zu extrahieren. Die Methoden fallen in den Bereich des überwachten Lernens (Supervised Learning) und benötigen neben dem Algorithmus zusätzlich Trainingsbeispiele, Labels und eine Merkmalsrepräsentation. Abbildung 1 zeigt beispielhaft einen Lernprozess mit der anschließenden Anwendung des Klassifikators auf unbekannte Bilder.

Grundsätzlicher Lernprozess und das Verwenden des daraus gewonnenen Klassifikators für Vorhersagen (Abb. 1)