Ziel der Masterarbeit ist die Ausarbeitung von technischen Anforderungen an eine Hardware, die für solche Deep-Learning-Algorithmen benötigt wird. Abgeschlossen wird die Arbeit mit einer Zusammenfassung, einem Fazit und einem Ausblick.
Im theoretischen Teil der Arbeit wird der Stand der Forschung, die aktuellen Herausforderungen bei der Entwicklung autonomer Fahrzeuge sowie die technischen Hintergründe einer dafür notwendigen Hardware beschrieben. Der praktische Teil besteht aus dem Training und der Implementierung eines Systems zur Erkennung von Geschwindigkeitsbegrenzungen für den Open Source Simulator CAR Learning to Act (CARLA).
Vor dem Hintergrund der Digitalisierung stellt der Einsatz von Künstlicher Intelligenz einen zentralen Erfolgsfaktor in nahezu jeder Branche dar. Maschinelles Lernen ist hierbei ein Teilaspekt, wobei für das Training eines solchen KI-Modells große Datenmengen benötigt werden. Diese Datenmengen müssen entsprechend aufbereitet und verwaltet werden, um sie zu analysieren und für KI-Algorithmen verwendbar zu machen. Die Entwicklung autonomer Fahrzeuge wird insbesondere durch den Einsatz solcher KI-Modelle vorangetrieben, wobei die Hardware dabei eine zentrale Rolle spielt. Um einen Beitrag zu dieser Forschung zu leisten, wurde in dieser Masterarbeit in einem realistischen Fahrsimulator ein System integriert, das in der Lage ist, die Geschwindigkeitsverkehrszeichen der Straße zu erkennen und bei einer Geschwindigkeitsüberschreitung den Fahrer darauf aufmerksam zu machen. Der in dieser Arbeit verwendete Simulator ist der CAR Learning to Act (CARLA), ein Open-Source-Simulator für autonome Fahrzeuge. Um Verkehrszeichen zu erkennen, wurde ein Algorithmus zur Objekterkennung verwendet: der You Only Look Once (Yolo)-Algorithmus. Dieser Algorithmus sieht während der Trainings- und Testphase das gesamte Bild und kodiert Kontextinformationen über die Objektklassen sowie deren Erscheinungsbild.
Inhaltsverzeichnis
1 EINLEITUNG
2 BESTANDTEILE DER ARBEIT
2.1 STAND DER FORSCHUNG
2.2 RELEVANZ UND ZIEL DER ARBEIT
2.3 METHODIK UND EINGRENZUNG DER ARBEIT
3 DARLEGUNG DES THEORETISCHEN HINTERGRUNDES
3.1 KÜNSTLICHE INTELLIGENZ
3.1.1 Historischer Überblick
3.1.2 Machine Learning
3.1.3 Deep Learning
3.2 HINTERGRUND ZU AUTONOMEN FAHRZEUGEN
3.2.1 Historischer Überblick und Ausblick
3.2.2 Stufen der Autonomie
3.2.3 Relevante Komponenten zur Entwicklung autonomer Fahrzeuge
3.3 RELEVANTE ASPEKTE ZUM DATENMANAGEMENT
3.3.1 Entwicklungsprozess autonomer Fahrzeuge aus Sicht der Hardware
3.3.2 Datei-, Block- und Objektspeicher
3.3.3 Speichermedien
3.3.4 GPU und CPU
4 IMPLEMENTIERUNG DER OBJEKTERKENNUNG IN CARLA
4.1 VIRTUELLER FAHRSIMULATOR CAR LEARNING TO ACT (CARLA)
4.2 ITERATIVER DATA MINING ZYKLUS
4.2.1 Problemdarstellung und Geschäftsverständnis
4.2.2 Datenerfassung
4.2.3 Datenaufbereitung
4.2.4 Modelltraining – Objekterkennung mit YOLO V3 tiny und Darknet
4.2.5 Modellevaluation
4.2.6 Modellbereitstellung – Implementierung des trainierten YOLO V3 tiny Modells in CARLA
5 ERGEBNISSE
5.1 ERGEBNISSE DES HARDWARE-MONITORINGS
5.2 HARDWARE EXTRAPOLATION
5.3 TECHNISCHE HARDWARE-ANFORDERUNGEN
FAZIT
5.4 ZUSAMMENFASSUNG
5.5 AUSBLICK
Zielsetzung & Themen
Das Hauptziel dieser Masterarbeit ist die Identifikation präziser technischer Hardware-Anforderungen für das Training von Deep-Learning-Algorithmen im Kontext der Entwicklung autonomer Fahrzeuge. Hierzu wird ein Objekterkennungs-System (YOLO V3 tiny) in den Fahrsimulator CARLA integriert, um Verkehrszeichen zu erkennen und den Fahrer bei Geschwindigkeitsüberschreitungen zu warnen. Durch systematisches Hardware-Monitoring während des Trainings werden Leistungsdaten erhoben, die als Basis für eine Extrapolation der benötigten Hardwareressourcen in größeren Produktionsszenarien dienen.
- Grundlagen von Künstlicher Intelligenz, Maschinellem Lernen und Deep Learning.
- Herausforderungen und technische Anforderungen an Hardware für das Training neuronaler Netze.
- Implementierung einer Objekterkennung in einer virtuellen Simulationsumgebung (CARLA).
- Analyse und Monitoring von Hardware-Komponenten (GPU, CPU, RAM, SSD) während eines KI-Trainingsprozesses.
- Extrapolation von Hardware-Anforderungen für komplexe Deep-Learning-Workflows.
Auszug aus dem Buch
YOLO V3 Algorithmus
Wie bereits beschrieben ist YOLO ein Detektionsalgorithmus, der CNNs zur Objekterkennung verwendet. Im Vergleich zu anderen Algorithmen ist YOLO zwar weniger genau, doch für diese Masterarbeit die beste Wahl, da er zur Echtzeiterkennung benötigt wird und zum anderen nur einzelne Objekte je Bild erkennen muss (ein Tempolimit-Schild je Bild). YOLO V3 ist zudem eine Verbesserung gegenüber früheren YOLO Versionen, auf Grund einem stärkeren Merkmalsextraktornetz und einigen Änderungen in der Verlustfunktion, auf die im späteren genauer eingegangen wird. YOLO wendet zur Erkennung ein einziges neuronales Netz auf das gesamte Bild an. Das bedeutet, dass dieses Netzwerk das Bild in Regionen (engl. grids) unterteilt und für jede Region Bounding Boxes sowie Wahrscheinlichkeiten vorhersagt. Diese Bounding Boxes werden mit den prognostizierten Wahrscheinlichkeiten gewichtet. YOLO bedient sich somit einer einstufigen Detektionsstrategie. Das bedeutet, dass die zu analysierenden Bilder nur einmal gelesen werden müssen. Das fertig trainierte Netz ist als Datei verfügbar und kann mit Methoden aus dem DNN mit der lokal installierten Software OpenCV benutzt werden. Breits „trainierte“ Bilder werden von YOLO erkannt, wie Abbildung 9 zeigt.
Ein weiterer Grund, warum YOLO V3 für diese Masterarbeit ausgewählt wurde ist, dass der Detektionsalgorithmus leistungsfähiger ist als alternative Algorithmen, z.B. R-CNN. Der Hauptgrund liegt in der Faltungsimplementierung der Schichten. Dies bedeutet, dass das Bild (oder der Rahmen) nur einmal gescannt wird, um eine Vorhersage zu treffen. Dies steht im Vergleich zu anderen Algorithmen, die mehrere Scans erfordern. Bei der Erkennung kleiner Objekte, die in Gruppen erscheinen, ist YOLO allerdings weniger genau, aber sowohl das Training als auch das Testen der Objektgrößen (Tempolimit-Schilder), die in dieser Masterarbeit berücksichtigt werden, sind groß genug, um diese Art von Nachteil zu vermeiden, so dass es nicht als eine große Einschränkung angesehen wird.
Zusammenfassung der Kapitel
1 EINLEITUNG: Einführung in die digitale Transformation der Automobilbranche und die Notwendigkeit von Hochleistungs-Hardware für das Training von KI-Systemen in der Simulation.
2 BESTANDTEILE DER ARBEIT: Überblick über den theoretischen Hintergrund zum autonomen Fahren sowie die Methodik der praktischen Implementierung in der CARLA-Simulationsumgebung.
3 DARLEGUNG DES THEORETISCHEN HINTERGRUNDES: Fundierte Definition von KI, Machine Learning und Deep Learning sowie eine detaillierte Betrachtung von Hardware-Komponenten wie GPU und Datenspeicher.
4 IMPLEMENTIERUNG DER OBJEKTERKENNUNG IN CARLA: Praxisnahe Darstellung des Data-Mining-Zyklus, von der Datenerfassung über das Training des YOLO-Modells bis zur Integration in den Simulator.
5 ERGEBNISSE: Auswertung der während des Trainings erhobenen Hardware-Messdaten und Extrapolation der Anforderungen für skalierbare Systeme.
FAZIT: Zusammenfassende Erkenntnisse über die Bedeutung effizienter Hardware-Architekturen für den Erfolg von Deep-Learning-Projekten im autonomen Fahren.
Schlüsselwörter
Künstliche Intelligenz, Maschinelles Lernen, Deep Learning, Autonomes Fahren, Objekterkennung, Hardware-Monitoring, Fahrsimulator, CARLA, YOLO, GPU, Datenspeicherung, Datenverwaltung, Neuronale Netze, Training, Leistungsanalyse
Häufig gestellte Fragen
Was ist das grundlegende Thema dieser Arbeit?
Die Arbeit untersucht die technischen Hardware-Anforderungen, die notwendig sind, um Deep-Learning-Algorithmen für die Entwicklung autonomer Fahrzeuge effizient zu trainieren.
Welche KI-Technologien werden in der Arbeit primär behandelt?
Es werden die Bereiche Künstliche Intelligenz, Machine Learning und insbesondere Deep Learning sowie die Architektur von Convolutional Neural Networks (CNN) betrachtet.
Was ist das zentrale Ziel oder die Forschungsfrage?
Das Ziel ist es, ein System zur Erkennung von Tempolimit-Schildern in einem Fahrsimulator zu implementieren und durch ein Hardware-Monitoring zu bestimmen, welche technischen Anforderungen an Hardware-Komponenten beim Training solcher Modelle gestellt werden.
Welche wissenschaftliche Methode wird für das Training angewendet?
Es wird der iterative Data-Mining-Standardprozess CRISP-DM angewandt, der Schritte wie Datenerfassung, Datenaufbereitung, Modelltraining mit YOLO V3 tiny und Evaluation umfasst.
Welche Hardware-Komponenten stehen im Fokus der Analyse?
Die Arbeit analysiert kritisch die Auslastung von GPU, CPU, RAM, VRAM sowie Speichermedien (SSD/HDD) während des Trainingsprozesses.
Welche Keywords charakterisieren die Arbeit am besten?
Die Arbeit lässt sich am besten über Begriffe wie Autonomes Fahren, Deep Learning, Objekterkennung, Hardware-Monitoring, Training und Simulation definieren.
Warum wurde der YOLO V3 tiny Algorithmus für die Simulation gewählt?
Er wurde aufgrund seiner Eignung für die Echtzeiterkennung, seiner Open-Source-Verfügbarkeit und seiner Leistungsfähigkeit bei begrenzten Hardware-Ressourcen ausgewählt.
Welche Rolle spielt der Fahrsimulator CARLA in diesem Projekt?
CARLA dient als realistische, Open-Source-basierte Umgebung, um Szenarien für autonomes Fahren zu simulieren, in denen das KI-Modell trainiert und seine Funktionalität validiert werden kann.
Welche Schlussfolgerung zieht der Autor hinsichtlich der Hardware?
Es wird festgehalten, dass für das Training von Deep-Learning-Modellen eine effiziente Kombination aus leistungsstarken GPUs und CPUs sowie eine hohe Bandbreite bei der Datenspeicherung unabdingbar ist, um Engpässe zu vermeiden.
- Arbeit zitieren
- Anonym (Autor:in), 2021, Technische Anforderungen an eine Hardware zum Training von Deep-Learning-Algorithmen für die Entwicklung autonomer Fahrzeuge, München, GRIN Verlag, https://www.grin.com/document/1032841
