Ampelerkennung beim autonomen Fahren. Einsatzgebiet für neuronale Netze und Deep Learning

Dossier / Travail , 2019 , 67 Pages , Note: 1,0

Informatique - Informatique Appliquée à la Gestion

Im Rahmen dieser wissenschaftlichen Arbeit soll untersucht werden, wie neuronale Netze und Deep Learning im Bereich autonomes Fahren eingesetzt werden können. Hierdurch können Probleme gelöst werden, die sich durch den Einsatz zukunftsweisender Technik ergeben und bis heute die Präsenz menschlichen Verstandes voraussetzen. Um dies zu bewerkstelligen, wird ein neuronales Netzwerk mittels Deep Learning und dem Bosch Small Traffic Lights Datensatz trainiert, bis eine zufriedenstellende Genauigkeit erreicht wurde.

In den kommenden Jahren und Jahrzehnten wird sich das Autofahren stark verändern. Vielleicht übernehmen Computer das Führen des Fahrzeugs gar komplett. Bereits heute sind Fahrzeuge in der Lage einzelne Bereiche wie das automatisierte Bremsen und Beschleunigen in Stausituationen vollständig selbständig abzudecken. Möglich machen das im Fahrzeug verbaute Sensoren und die intelligente Vernetzung von Systemen.

Bis sich die Fahrzeuge jedoch vollständig ohne Eingreifen eines Menschen durch die vollständige Vernetzung aller Verkehrsteilnehmer in der Öffentlichkeit bewegen können ist die Interaktion des Fahrzeugs mit der Verkehrsregeltechnik unabdingbar. Hierzu zählt insbesondere die Identifikation und die entsprechende Reaktion auf Lichtsignalanlagen. Doch wie kann sichergestellt werden, dass Ampeln mit unterschiedlichem Aussehen bei verschiedenen Licht- und Wetterverhältnissen zuverlässig erkannt werden?

Inhaltsverzeichnis

• 1 Einleitung
• 1.1 Problemstellung
• 1.2 Zielsetzung und Vorgehensweise
• 2 Grundlagen
• 2.1 Big Data
• 2.1.1 Definition
• 2.1.2 Labels
• 2.2 Maschinelles Lernen
• 2.2.1 Einführung
• 2.2.2 Supervised Learning
• 2.2.3 Unsupervised Learning
• 2.2.4 Deep Learning
• 3 Datenvorverarbeitung
• 3.1 Beschaffung der Daten
• 3.2 Labels
• 4 Modellerstellung
• 4.1 Deep Learning Framework
• 4.1.1 TF Record
• 4.1.2 TensorBoard
• 4.2 Convolutional Neural Network
• 4.2.1 Einführung
• 4.2.2 Neuron
• 4.2.3 Convolution
• 4.2.4 Rectifier Linear Unit
• 4.2.5 Pooling
• 4.2.6 Flattening
• 4.2.7 Fully Connected
• 4.2.8 Softmax
• 4.3 R-CNN
• 4.3.1 Einführung
• 4.3.2 Selective Search
• 4.3.3 Support Vector Machine
• 4.3.4 Probleme
• 4.4 Fast R-CNN
• 4.4.1 Einführung
• 4.4.2 Rol Pooling
• 4.5 Faster R-CNN
• 4.5.1 Anchor
• 4.5.2 Region Proposal Network
• 4.6 Messgrößen
• 4.6.1 Intersection over Union
• 4.6.2 Mean Average Precision
• 5 Vorhersage
• 5.1 GPU statt CPU
• 5.2 Training
• 5.3 Evaluierung
• 5.4 Zustand des Modells zum Abgabetermin

• Université: University of Applied Sciences Essen
• Note: 1,0
• Auteur: Julian Springer (Auteur)
• Année de publication: 2019
• Pages: 67
• N° de catalogue: V500498
• ISBN (ebook): 9783346040473
• ISBN (Livre): 9783346040480
• Langue: allemand
• mots-clé: Machine Learning, Künstliche Intelligenz, Autonomes Fahren, Ampelerkennung, Faster RCNN, ReLU, Pooling, Convolution, Neuronen, Tensor