Skip to main content

Der Begriff „Deep Learning“ leitet sich aus der Erforschung künstlicher neuronaler Netze ab. Um es Computern zu ermöglichen, Probleme durch kontinuierliches Lernen zu lösen, versuchten Wissenschaftler, die neuronalen Netze der Milliarden von Neuronen im menschlichen Gehirn zu imitieren. Sie schlugen Lernstrategien vor, die als „neuronale Netze“ für Computer bezeichnet werden.

Bildquelle: DeepLearning.AI, Deep Learning Spezialisierung, Neuronale Netze und Deep Learning Kurs

Die Abbildung zeigt ein einfaches neuronales Netzwerk mit vier Eingabewerten. Das „x“ ganz links ist die Eingabeschicht, und der kleine Kreis in der Mitte ist das versteckte Neuron, bei dem jedes Neuron alle vier Merkmale als Eingabewerte nimmt. Das neuronale Netzwerk entscheidet selbstständig, welches der dazwischenliegende Netzwerkknoten ist und erzeugt schließlich den Ausgabewert „y“. Der wichtigste Punkt bei neuronalen Netzwerken ist, dass das neuronale Netzwerk bei einer ausreichenden Anzahl von Trainingsbeispielen (x, y) eine Funktion gut genug anpassen kann, um eine Zuordnungsbeziehung zwischen „x“ und „y“ herzustellen.

 

Mit dem Beginn der Ära von Big Data wurde Deep Learning in verschiedenen Bereichen weithin eingesetzt, die das tägliche Leben beeinflussen, wie z. B. Sprach-, Bild- und Gesichtserkennung. Die autonome Kehrmaschine von Autowise.ai wird mit Hilfe der Deep-Learning-Technologie immer funktionaler. Die Objekterkennung ist hierbei eine der klassischen Anwendungen von Deep-Learning-Methoden zum Identifizieren von relevanten Objekten in Bildern und zur Bestimmung von Kategorien und Standorten. Aktuelle auf Deep Learning basierende Ansätze lassen sich grob in zwei Kategorien einteilen: den zweistufigen Ansatz, der zunächst Regionen findet, in denen Objekte wahrscheinlich vorkommen, und im Anschluss Objektkategorien bestimmt, und den einstufigen Ansatz, der Regionen und Objekte in einem Schritt extrahiert. Die Algorithmen R-CNN und Fast-RCNN des erstgenannten Unternehmens stehen an der Spitze der Algorithmen-Rangliste, die Algorithmen YOLO, SSD und RetinaNet des letzteren sind in der Branche ebenfalls beliebt. Im Gegensatz zu herkömmlichen Anwendungen zur Identifizierung von Menschen und Tieren hat Autowise.ai diese Technologie im Duisburger Projekt auf ein völlig neues Szenario angewendet. So wurde die genaue Identifizierung von speziellem Müll wie Masken bei berührungslosen Reinigungsvorgängen während der Pandemie möglich.

autonome Kehrmaschine von Autowise.ai erkennt Masken

Die Herausforderungen beim Betrieb autonomer Kehrmaschinen ergeben sich auch aus dem Verkehr, z. B. durch Fahrzeuge, die die Fahrspur wechseln, und Fußgänger, die die Straße überqueren. Daher ist die Fähigkeit, die Absichten und zukünftige Wege von Fahrzeugen und Fußgängern schnell und genau vorherzusagen, für selbstfahrende Systeme entscheidend. Deep Learning zeichnet sich hierbei als die dominierende Lösung für dieses Problem ab. Für die Erforschung von Algorithmen werden LSTM-Strukturen und graphische neuronale Netze verwendet.

Autowise.ai trainiert mit der in Sekundenschnelle markierten aktuellen Route des Fahrzeugs neuronale Netzwerkstrukturen mit LSTM-Strukturen (Long Short Memory) und fungiert so als vorausschauendes Gehirn. Wie in der Abbildung unten zu sehen ist, steigt während der ersten paar Beobachtungen des blockierenden Fahrzeugs die seitliche Geschwindigkeit des Fahrzeugs nach links an und die Position weicht allmählich nach links von der Mittellinie der aktuellen Spur ab. Das Deep-Learning-Modell bestimmt die Absicht, auf die linke Spur zu wechseln, berechnet die Zielposition und erstellt den entsprechenden Weg.

Anwendung von Deep Learning zur Bestimmung von Fahrspurwechseln

Zusätzlich zu Müll, Fahrzeugen und Fußgängern stoßen autonome Kehrmaschinen bei Kehrarbeiten auf offenen städtischen Straßen auf besondere Hindernisse und witterungsbedingte Herausforderungen, von Eisenplatten, Steinen und stillgelegten Bahngleisen bis hin zu Papier, gefallene Blätter, Staub und Spritzwasser. Die Ingenieure von Autowise.ai verwenden Deep Learning-Lösungen, um Probleme mit diesen „x“-Variablen zu lösen. In Zukunft wird Autowise.ai weiterhin die Anwendung modernster KI-Technologien im Bereich des selbstfahrenden Fahrens erforschen, um sicherere und effizientere Lösungen für die selbstfahrende Stadtreinigung zu bieten.

Referenzen

[1]DeepLearning.AI:Neural Networks and DeepLearning

https://www.deeplearningai.net/classroom/Neural_Networks_and_DeepLearning

[2]https://viso.ai/deep-learning/object-detection/

[3]Liu, L., Ouyang, W., Wang, X. et al. Deep Learning for Generic Object Detection: A Survey. Int J Comput Vis 128, 261-318 (2020). https://doi.org/10.1007/s11263-019-01247-4;

[4]https://tech.meituan.com/2019/10/31/trajectory-prediction-contest.html

[5]Liang, Ming and Yang, Bin and Hu, Rui and Chen, Yun and Liao, Renjie and Feng, Song and Urtasun, Raquel,Learning lane graph representations for motion forecasting.ECCV 2020