Deep End-to-End Learning in Automotive - Wie hilft es bei der Entwicklung des autonomen Fahrens?

Es war eine Ehre für uns, vom Komitee ausgewählt zu werden, auf der Bühne der VDI-Tagung eines der komplexesten Themen auf dem Weg zur intelligenten Mobilität präsentieren zu dürfen: Deep-Learning-Ansätze, die in Use-Cases für die Automobilindustrie Anwendung finden.

Es gibt viele Anwendungsfälle für Deep Learning Algorithmen. Die offensichtlichste ist die Verwendung solcher Algorithmen in Autos für ADAS oder autonome Fahrfunktionen. 

In unserer Publikation für die ELIV haben wir uns intensiv mit der Frage beschäftigt, wie Deep Learning für die Anwendungsfälle in der Automatisierungstechnik funktionieren wird.

Am 18. Oktober konzentrierte sich unser Experte für Machine Vision, Dr. Patrick Ott, Leiter der Abteilung Datentechnik, in seinem Vortrag "Deep End-to-End Learning for Automotive" auf tief greifende Lernkonzepte zur Realisierung von Automatisierungsprozessen bei der Annotation von Daten.

Die Annotation von Daten ist ein Schlüsselkonzept in der Automobilbranche, zumal die Mobilität der Zukunft Daten mit Wissen oder sogenannte Metadaten benötigt. Aufnahmen nur von Sensordaten sind in der Regel ohne Zusatz von Metadaten, wie z.B. die Positionen der Objekte in den Videodaten, wenig sinnvoll.

Die Annotation von Daten stellt eine der größten Herausforderungen bei der Entwicklung autonomer Fahrzeuge dar.

Viele der auf der ELIV vertretenen Automobilhersteller sehen sich mit komplexen und kostspieligen Möglichkeiten konfrontiert, qualitativ hochwertige Daten für die Entwicklung des autonomen Fahrens zu erhalten.

Die Prüfung und Validierung von Sensoren erfordert große Mengen annotierter Daten. Diese große Datenmenge bereitet der Industrie Probleme, da sie enorme Zeit- und Personalressourcen benötigt, um die notwendigen Metadaten zu generieren. Darüber hinaus benötigt Deep Learning auch Unmengen an Trainingsdaten.

Der Vortrag von Dr. Ott konzentrierte sich auf eine Fachdiskussion über tiefe End-to-End (E2E)-Architekturen für die automatisierte Annotation. Er vermittelte die Idee, die Annotationsprozesse so weit wie möglich zu automatisieren, bis hin zu dem Punkt, dass nur noch wenige zeiteffiziente Korrekturen notwendig sind, um perfekte Ground-Truth-Data zu erzeugen. Dann erst werden wir in der Lage sein, die notwendigen Annotationen für Anwendungen wie das autonome Fahren (sowie deren Validierung) mit reduzierten Kosten und Zeitaufwand zu erhalten.

ELIV Marketplace - Der Ort, an dem Forschung und neue Lösungen für Automotive Megatrends präsentiert und diskutiert wurden

Unsere Erfahrungen bei der ELIV in diesem Jahr haben uns mit Erkenntnissen aus Forschung und Entwicklung sowie Lösungen aus der Industrie bereichert. Unsere Präsenz vor Ort hat die Aufmerksamkeit derjenigen auf sich gezogen, die Lösungen für Annotations- und Umwelterkennungssysteme für die Automobilindustrie, aber auch für mobile Arbeitsmaschinen suchen. Darüber hinaus standen die Entwicklung, Erprobung und Validierung von Systemen für die Mobilität der Zukunft im Mittelpunkt unserer Diskussionen auf der ELIV.

An unserem Stand präsentierten wir in Partnerschaft mit der b-plus GmbH schlüsselfertige Lösungen für das autonome Fahren - von Hard-und Softwarelösungen bis hin zur Prototypen-und Serienentwicklung.