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
- Einleitung
- Bestandteile der Arbeit
- Stand der Forschung
- Relevanz und Ziel der Arbeit
- Methodik und Eingrenzung der Arbeit
- Darlegung des theoretischen Hintergrundes
- Künstliche Intelligenz
- Historischer Überblick
- Machine Learning
- Deep Learning
- Hintergrund zu autonomen Fahrzeugen
- Historischer Überblick und Ausblick
- Stufen der Autonomie
- Relevante Komponenten zur Entwicklung autonomer Fahrzeuge
- Relevante Aspekte zum Datenmanagement
- Entwicklungsprozess autonomer Fahrzeuge aus Sicht der Hardware
- Datei-, Block- und Objektspeicher
- Speichermedien
- GPU und CPU
- Künstliche Intelligenz
- Implementierung der Objekterkennung in CARLA
- Virtueller Fahrsimulator Car Learning to Act (CARLA)
- Iterativer Data Mining Zyklus
- Problemdarstellung und Geschäftsverständnis
- Datenerfassung
- Datenaufbereitung
- Modelltraining – Objekterkennung mit YOLO V3 tiny und Darknet
- Modellevaluation
- Modellbereitstellung – Implementierung des trainierten YOLO V3 tiny Modells in CARLA
- Ergebnisse
- Ergebnisse des Hardware-Monitorings
- Hardware Extrapolation
- Technische Hardware-Anforderungen
- Fazit
- Zusammenfassung
- Ausblick
Zielsetzung und Themenschwerpunkte
Diese Masterarbeit befasst sich mit den technischen Anforderungen an eine Hardware, die für das Training von Deep Learning Algorithmen für die Entwicklung autonomer Fahrzeuge notwendig ist. Der Fokus liegt dabei auf der Analyse der Ressourcenbelastung während des Trainings eines Objekterkennungs-Systems, das in der Lage ist, Tempolimit-Schilder in einem virtuellen Fahrsimulator zu erkennen.
- Die Entwicklung autonomer Fahrzeuge und die Herausforderungen in Bezug auf die dafür benötigte Hardware
- Der Einsatz von Deep Learning Algorithmen, insbesondere des YOLO-Algorithmus, zur Objekterkennung
- Die Bedeutung von Datenmanagement und die Analyse von Datenmengen im Kontext des Trainings von Deep Learning Modellen
- Die Analyse der Ressourcenbelastung von CPU, GPU, RAM, SSD und HDD während des Trainings
- Die Extrapolation der Ergebnisse auf eine realistische Hardware-Infrastruktur und die Ableitung von technischen Anforderungen.
Zusammenfassung der Kapitel
Die Einleitung stellt die Relevanz des Themas Autonomes Fahren und die Notwendigkeit von Deep Learning Algorithmen für die Entwicklung dieser Fahrzeuge vor. Außerdem werden die Zielsetzung und Forschungsfragen der Masterarbeit definiert.
In Kapitel 2 werden die Bestandteile der Arbeit beschrieben, darunter der Stand der Forschung zum Thema Autonomes Fahren, die Relevanz und das Ziel der Arbeit sowie die Methodik und Eingrenzung der Arbeit.
Kapitel 3 behandelt den theoretischen Hintergrund der Arbeit. Es werden die grundlegenden Begriffe Künstliche Intelligenz, Machine Learning und Deep Learning erklärt und in ihren Kontext zur Entwicklung autonomer Fahrzeuge eingeordnet. Außerdem werden die relevanten Aspekte des Datenmanagements, wie Datenspeicherung und Rechenleistung, erläutert.
Kapitel 4 beschreibt den praktischen Teil der Arbeit, die Implementierung der Objekterkennung in CARLA. Es werden der virtuelle Fahrsimulator CARLA, die Schritte des iterativen Data Mining Zyklus und die Evaluation des trainierten Modells vorgestellt.
In Kapitel 5 werden die Ergebnisse des Hardware-Monitorings analysiert, die während des KI-Trainings aufgezeichnet wurden. Die Ergebnisse werden extrapoliert, um die Anforderungen an eine Hardware für ein reales KI-Projekt im Bereich autonomes Fahren zu ermitteln.
Das Fazit fasst die wichtigsten Erkenntnisse der Masterarbeit zusammen und gibt einen Ausblick auf zukünftige Entwicklungen.
Schlüsselwörter
Deep Learning, Autonomes Fahren, Objekterkennung, YOLO, CARLA, Datenspeicherung, Datenmanagement, Hardware-Anforderungen, CPU, GPU, RAM, SSD, HDD, Training, Extrapolation
- Citar trabajo
- Anonym (Autor), 2021, Technische Anforderungen an eine Hardware zum Training von Deep-Learning-Algorithmen für die Entwicklung autonomer Fahrzeuge, Múnich, GRIN Verlag, https://www.grin.com/document/1032841
