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
4.1.3 Konfiguration mittels Pipeline
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 RoI 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
6 Fazit
Zielsetzung & Themen
Diese wissenschaftliche Arbeit untersucht den Einsatz neuronaler Netze und Deep Learning zur präzisen Ampelerkennung für das autonome Fahren. Ziel ist es, ein neuronales Netzwerk zu trainieren, das auf Basis des "Bosch Small Traffic Lights Datensatzes" eine Genauigkeit von über 36 % erreicht, um damit eine funktionale Grundlage für zukünftige Arbeiten in diesem Bereich zu schaffen.
- Grundlagen von Big Data und maschinellem Lernen
- Datenvorverarbeitung und Konvertierung in das TensorFlow-Format
- Technische Modellerstellung mittels Deep Learning Frameworks
- Architektur und Funktionsweise von CNN, R-CNN, Fast R-CNN und Faster R-CNN
- Performance-Optimierung durch GPU-Einsatz
Auszug aus dem Buch
4.2.4 Rectifier Linear Unit
Die Rectifier Linear Unit (ReLU) ist keine separate Komponente des CNN Prozesses, sondern ein ergänzender Schritt der Convolution. Diese Aktivierungsfunktion kann aber auch durch andere Funktionen ausgetauscht werden. Nichtsdestotrotz ist es zurzeit die vielversprechendste Methode beim Detektieren von Objekten in Bildern.
Die Intention von ReLU ist es, die Nichtlinearität in den Bildern zu erhöhen. Unter anderem enthalten Bilder Farben, Ränder oder auch Übergänge, die alle nicht linear sind. Deshalb ist ein Bild von Natur aus auch als nicht linear zu bezeichnen. Um diese Unregelmäßigkeiten in den Bildern zu verstärken wird daher die ReLU Funktion angewendet. Alle negativen Werte, werden auf den Wert null gesetzt, während die restlichen Werte beibehalten werden. Dieser Vorgang ist in Abbildung 16 dargestellt.
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung führt in das Thema autonomes Fahren ein und definiert die Forschungsfrage bezüglich der zuverlässigen Ampelerkennung unter variierenden Umweltbedingungen.
2 Grundlagen: Hier werden theoretische Basisbegriffe rund um Big Data sowie verschiedene Lernmodelle des maschinellen Lernens, inklusive Supervised und Unsupervised Learning, erläutert.
3 Datenvorverarbeitung: In diesem Kapitel wird die Beschaffung des "Bosch Small Traffic Lights Datensatzes" sowie dessen strukturierte Aufbereitung für das Training beschrieben.
4 Modellerstellung: Dieses zentrale Kapitel behandelt die technische Umsetzung, von der Wahl des Deep Learning Frameworks bis hin zur detaillierten Architektur von CNNs und R-CNN-Varianten inklusive der relevanten Messgrößen.
5 Vorhersage: Der Fokus liegt hier auf der praktischen Umsetzung des Trainings, dem Vergleich zwischen CPU- und GPU-basiertem Training sowie der methodischen Evaluierung der Modellleistung.
6 Fazit: Das Fazit fasst die Ergebnisse zusammen, diskutiert die Herausforderungen bei der Modellkonfiguration und bewertet das erreichte Genauigkeitsziel von ca. 51 %.
Schlüsselwörter
Autonomes Fahren, Ampelerkennung, Deep Learning, Neuronale Netze, TensorFlow, Convolutional Neural Network, R-CNN, Fast R-CNN, Faster R-CNN, Bounding Box, Intersection over Union, Mean Average Precision, Machine Learning, Datenvorverarbeitung, GPU-Training
Häufig gestellte Fragen
Worum geht es in dieser wissenschaftlichen Arbeit grundsätzlich?
Die Arbeit befasst sich mit der Entwicklung und dem Training eines neuronalen Netzwerks zur Erkennung von Ampelanlagen, was ein wesentlicher Bestandteil für das autonome Fahren ist.
Welche zentralen Themenfelder werden behandelt?
Die zentralen Themen umfassen die Vorverarbeitung von Bilddaten, die Funktionsweise von Deep-Learning-Frameworks (TensorFlow) sowie spezifische Architekturen zur Objekterkennung wie CNNs und R-CNN-Modelle.
Was ist das primäre Ziel der Untersuchung?
Das primäre Ziel ist es, ein Modell auf Basis des "Bosch Small Traffic Lights Datensatzes" zu trainieren, das eine Genauigkeit von mindestens 36 % erreicht, um die Leistungsfähigkeit neuronaler Netze in diesem Anwendungsfall zu demonstrieren.
Welche wissenschaftliche Methode wird verwendet?
Es wird eine wissenschaftliche Vorgehensweise gewählt, die auf der technischen Implementierung eines Deep-Learning-Modells basiert, wobei verschiedene Konfigurationen und Datensätze verglichen und mit spezifischen Metriken wie IoU und mAP evaluiert werden.
Welche Aspekte werden im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretischen Grundlagen des maschinellen Lernens, die methodische Datenaufbereitung, die detaillierte Beschreibung der verwendeten Netzwerkarchitekturen sowie die praktische Durchführung und Auswertung des Trainingsprozesses.
Durch welche Schlüsselwörter lässt sich die Arbeit am besten charakterisieren?
Die wichtigsten Schlüsselwörter sind Autonomes Fahren, Ampelerkennung, Convolutional Neural Network, Faster R-CNN, TensorFlow und Mean Average Precision.
Warum spielt die GPU-Beschleunigung eine so wichtige Rolle für das Training?
GPUs besitzen eine Vielzahl an spezialisierten logischen Einheiten (ALUs), die einfache, gleichartige Berechnungen massiv parallel ausführen können, was das Training tiefer neuronaler Netze im Vergleich zu einer CPU um ein Vielfaches beschleunigt.
Welche Rolle spielt die "Mean Average Precision" (mAP) bei der Evaluierung des Modells?
Die mAP dient als zentrale Metrik zur Bewertung der Genauigkeit des Objektdetektors; sie fasst die Performance über alle Klassen hinweg zusammen und gibt an, wie verlässlich das Modell Objekte erkennt.
- Arbeit zitieren
- Julian Springer (Autor:in), 2019, Ampelerkennung beim autonomen Fahren. Einsatzgebiet für neuronale Netze und Deep Learning, München, GRIN Verlag, https://www.grin.com/document/500498
