Die Bachelorarbeit thematisiert, ob ein Convolutional Neural Network für das autonome Fahren geeignet ist und wie der gesamte Datenprozess für das Convolutional Neural Network Modell aussehen könnte. Um die Forschungsfragen zu beantworten, wurde eine quantitative Literaturarbeit mit aktuellen wissenschaftlichen Kenntnissen durchgeführt. Die Bachelorarbeit ist in der deutschen Sprache geschrieben, aus diesem Grund orientiert sich die Bachelorarbeit an die deutschsprachige Bevölkerung.
Maschinelles Lernen ist für autonomes Fahren zwingend erforderlich. Jedes Fahrzeug, welches sich im öffentlichen Straßenverkehr autonom bewegt, ist eine potenzielle Gefahr für andere Teilnehmer. Zu diesen gehören zum Beispiel weitere Autofahrer, Fußgänger und Fahrradfahrer. Es ist daher wichtig, dass der vollständige Datenprozess und die notwendige Technik für die Objekterkennung im Fahrzeug verstanden werden. Aus diesem Grund ergibt sich die Besonderheit für das Convolutional Neural Network Modell und welchen Einfluss es nach ausführlicher Ausarbeitung für das autonome Fahren hat. Insbesondere die Prozesse während der Datensammlung sowie die Verarbeitung der Daten sind in diesem Modell von hoher Bedeutung. Hierbei ist zu unterscheiden, dass nur gewisse Daten benötigt werden und woher diese gewonnen werden.
Inhaltsverzeichnis
1 Einleitung
2 Maschinelles Lernen
2.1 Einführung maschinelles Lernen
2.2 Künstliche Neuronale Netzwerke
2.3 Convolutional Neural Network und seine Komponenten
2.4 Convolutional Neural Network und seine Wichtigkeit im Bereich des autonomen Fahrens
2.5 Zielbild bei der Klassifikation Muster- und Bilderkennung im öffentlichen Straßenverkehr
3 Daten für den Einsatz von Convolutional Neural Network und für das autonome Fahren
3.1 Bedeutung von Daten und die Datenstruktur für das Convolutional Neural Network
3.2 Daten und die Dateninfrastruktur für das autonome Fahren
3.2.1 Datengewinnung
3.2.2 Datenspeicherung und die Herausforderungen
3.2.3 Datenverarbeitung und die Herausforderungen
3.3 Potenzial für ein Convolutional Neural Network Modell mit den Datensätzen von GTSRB
3.4 Anwendungsbeispiel: Der gesamte Datenprozess für das Convolutional Neural Network
4 Forschungsstand, Problematik, weitere Herausforderungen und Ausblick
5 Fazit
Zielsetzung & Themen
Die Arbeit untersucht die Eignung von Convolutional Neural Networks (CNN) für das autonome Fahren und analysiert den gesamten Datenprozess, von der Gewinnung über die Speicherung bis hin zur Verarbeitung, um Herausforderungen zu identifizieren und Lösungsansätze aufzuzeigen.
- Grundlagen des maschinellen Lernens und künstlicher neuronaler Netzwerke
- Aufbau und Funktionsweise von Convolutional Neural Networks
- Anforderungen an Dateninfrastruktur und Datenspeicherung für autonomes Fahren
- Methoden der Datensammlung (real vs. virtuell) sowie deren Herausforderungen
- Diskussion von Akzeptanzproblemen und zukünftigen Entwicklungsstufen
Auszug aus dem Buch
3.1 Bedeutung von Daten und die Datenstruktur für das Convolutional Neural Network
Der Zusammenhang mit dem vorherigen Kapitel besteht darin, dass die Künstliche Intelligenz und das Machine Learning nur dann funktionieren, wenn auch die entsprechenden Daten vorhanden sind. Die Daten bilden das Fundament für neuronale Netze für das erwünschte Ergebnis. Die Daten können in unterschiedliche Strukturen unterteilt werden. (Herrmann, 2021, S. 32)
Daten können in unstrukturierte und strukturierte Daten unterteilt werden. Strukturierte Daten verfügen als Grundlage über ein Ordnungssystem, in dem Wertigkeiten und Begriffe anhand einer Tabelle systematisch angeordnet werden können. Beispiele für strukturierte Daten sind Öffnungszeiten, Produktpreise, Bewertungen, etc. (Klaus, 2019)
Jeder Datensatz von strukturierten Daten entspricht einer Zeile der Tabelle. Diese Tabellen werden in Unternehmen in Datenbanken gespeichert, die auch unter SQL-Datenbanken bekannt sind. Somit ist das entscheidende Merkmal von strukturierten Daten, dass sie eine Zuweisung zu einem festgelegten Platz einer Tabelle haben. Dadurch lässt sich jede Information leicht wiederfinden. (Herrmann, 2021, S. 32-33)
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung beleuchtet die Notwendigkeit von maschinellem Lernen für autonomes Fahren und begründet die Relevanz der Untersuchung von Datenprozessen für Convolutional Neural Networks.
2 Maschinelles Lernen: Dieses Kapitel liefert die theoretischen Grundlagen zu maschinellem Lernen, künstlichen neuronalen Netzen und erläutert detailliert die Architektur und Komponenten von Convolutional Neural Networks.
3 Daten für den Einsatz von Convolutional Neural Network und für das autonome Fahren: Hier wird der kritische Prozess der Datengewinnung, -speicherung und -verarbeitung analysiert, inklusive der Herausforderungen bei der Nutzung von realen und virtuellen Datensätzen.
4 Forschungsstand, Problematik, weitere Herausforderungen und Ausblick: Das Kapitel diskutiert den aktuellen Stand der Technik, rechtliche Rahmenbedingungen sowie gesellschaftliche Akzeptanzprobleme und Hürden bei der Realisierung vollautonomer Fahrstufen.
5 Fazit: Das Fazit stellt die Kernargumente zusammen und unterstreicht, dass effizientes Datenmanagement und hochwertige Trainingsdaten entscheidend für die Leistungsfähigkeit von CNN-Modellen beim autonomen Fahren sind.
Schlüsselwörter
Autonomes Fahren, Convolutional Neural Network, Maschinelles Lernen, Datensammlung, Dateninfrastruktur, Bilderkennung, Künstliche Intelligenz, Deep Learning, Rechenzentrum, Datenspeicherung, Datenverarbeitung, Klassifikation, Teststrecken, Neuronale Netze, Trainingsdaten
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Bachelorarbeit setzt sich mit der Rolle von Convolutional Neural Networks (CNN) beim autonomen Fahren auseinander, wobei ein besonderer Fokus auf dem notwendigen Prozess der Datensammlung und -verarbeitung liegt.
Was sind die zentralen Themenfelder der Arbeit?
Die zentralen Themen umfassen die Funktionsweise von Machine Learning und neuronalen Netzen, die Herausforderungen der Datenerfassung im öffentlichen Straßenverkehr sowie die effiziente Speicherung und Verarbeitung großer Datenmengen in Rechenzentren.
Was ist das primäre Ziel der Forschungsarbeit?
Das Ziel ist es, aufzuzeigen, wie ein optimaler Datenprozess für CNN-Modelle gestaltet werden kann, um das Vertrauen in die Technik zu stärken und somit zur gesellschaftlichen Akzeptanz des autonomen Fahrens beizutragen.
Welche wissenschaftliche Methode wird in der Arbeit verwendet?
Die Arbeit basiert auf einer quantitativen Literaturarbeit, in der aktuelle wissenschaftliche Kenntnisse und fachliche Quellen zum maschinellen Lernen und autonomen Fahren analysiert wurden.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil behandelt die mathematische Basis von CNNs, die verschiedenen Arten der Datengewinnung (real vs. virtuell), die Anforderungen an die Dateninfrastruktur sowie konkrete Anwendungsbeispiele wie die Erkennung von Verkehrsschildern.
Welche Schlüsselbegriffe charakterisieren diese Arbeit?
Die Arbeit wird maßgeblich durch Begriffe wie Autonomes Fahren, Convolutional Neural Network, Dateninfrastruktur, Deep Learning und Datenspeicherung charakterisiert.
Warum ist die Datenspeicherung für autonomes Fahren so problematisch?
Die enorme Datenmenge, die bei vernetzten Fahrzeugen jährlich anfällt, erfordert hochgradig skalierbare, kosteneffiziente und performante Speicherlösungen, die gleichzeitig den gesetzlichen Auflagen und Sicherheitsanforderungen entsprechen müssen.
Wie lösen Unternehmen die Herausforderung der Datenannotation?
Unternehmen nutzen zunehmend Software-Lösungen wie das "Smart Data Harvesting", das bereits während der Testfahrten relevante von irrelevanten Daten selektiert, um den Prozess der Annotation und Aufbereitung zeitlich und monetär zu optimieren.
- Quote paper
- Arda Kaya (Author), 2022, Aspekte der Datensammlung beim Einsatz von Convolutional Neural Network für das autonome Fahren, Munich, GRIN Verlag, https://www.grin.com/document/1285356
