Die vorliegende Projektarbeit zielt darauf ab, die Anwendung von Long Short Term Memory (LSTM) Netzwerken in der Automobilbranche zu untersuchen, insbesondere deren Einsatz für die Gangwahl in Fahrzeugen mit Automatikgetriebe. Dabei wird der Fokus auf die Entwicklung und Optimierung eines künstlichen neuronalen Netzes gelegt, das fähig ist, Sequenzen von Fahrzeugdaten zu verarbeiten und präzisere Schaltempfehlungen zu generieren.
Die Arbeit beginnt mit einer Einführung in die rapide fortschreitende Technologie der künstlichen Intelligenz (KI), speziell im Kontext der Automobilindustrie, und erwähnt dabei das Beispiel von Teslas Hydranet. Im weiteren Verlauf werden die Grundlagen künstlicher neuronaler Netze erörtert, einschließlich ihrer Struktur und verschiedener Netzwerktypen wie Perzeptron, Convolutional Neural Network und rekurrente neuronale Netze. Ein besonderer Fokus liegt auf LSTM-Netzwerken und deren Anwendungsmöglichkeiten. Außerdem behandelt diese Projektarbeit die Methoden zum Trainieren dieser Netzwerke, wobei verschiedene Ansätze und Datenstrukturen vorgestellt werden. Es wird erläutert, wie LSTM-Netzwerke in der Praxis implementiert werden können, mit speziellem Augenmerk auf die Programmiersprachen MATLAB und Python. Abschließend wird eine Zusammenfassung der Erkenntnisse und Ergebnisse präsentiert, die die Potenziale und Herausforderungen beim Einsatz von LSTM-Netzwerken in der Gangwahl von Automatikfahrzeugen hervorhebt.
Inhaltsverzeichnis
1 Einleitung
2 Neuronale Netze
2.1 Aufbau kunstlicher neuronaler Netze
2.1.1 Kunstliche Neuronen
2.1.2 Aufbau neuronaler Netze im Allgemeinen
2.2 Ausprägungsformen kunstlicher neuronaler Netze
2.2.1 Perzeptron
2.2.2 Convolutional Neural Network
2.2.3 Rekurrente neuronale Netze
2.2.4 Long Short Term Memory Netzwerke
2.3 Trainingsmethoden
3 Programmierung und Implementierung
3.1 Trainingsdatensätze
3.1.1 Trainingsdaten als eine Sequenz
3.1.2 Trainingsdaten in mehreren, gleichgroßen Sequenzen
3.1.3 Trainingsdaten mit einem Schaltzeitpunkt als letztes Element
3.1.4 Zusammenfassung Trainingsdaten
3.2 LSTM Architektur
3.2.1 Matlab
3.2.2 Python
4 Zusammenfassung
Zielsetzung & Themen der Arbeit
Diese Arbeit untersucht die Anwendung von Long Short Term Memory (LSTM)-Netzwerken zur Optimierung der automatisierten Gangwahl in Kraftfahrzeugen. Das primäre Ziel ist es, basierend auf historischen Fahrzeugdaten wie Motordrehzahl, Geschwindigkeit und Fahrpedalstellung präzisere Schaltempfehlungen zu generieren, als dies mit einfachen Feedforward-Netzen möglich ist.
- Grundlagen künstlicher neuronaler Netze und ihre Funktionsweise
- Differenzierung zwischen Feedforward-, rekurrenten Netzen und LSTMs
- Methoden der Datenaufbereitung für Zeitreihenanalysen in Fahrzeugen
- Implementierung und Vergleich von LSTM-Architekturen in Matlab und Python
- Evaluierung der Leistungsfähigkeit unterschiedlicher Trainingsansätze
Auszug aus dem Buch
2.2.4 Long Short Term Memory Netzwerke
Long Short Term Memory (LSTM) Netzwerke (im weiteren Verlauf nur LSTM genannt), sind nach [8] spezielle RNNs, die Langzeitabhängigkeiten von Informationen erlernen können. LSTMs sind von Hochreiter und Schmidhuber in [12] vorgestellt worden. Wie die gewöhnlichen RNNs sind auch LSTMs eine Kette aus „Gedächtnismodulen“. Dabei handelt es sich jedoch – anders wie bei den gewöhnlichen RNN – um ein mehrschichtiges Konstrukt, wie in Abbildung 2.6 dargestellt ist. Anders als bei den gewöhnlichen RNNs werden bei LSTMs neben dem Output der vorhergehenden Berechnung (”unterer“ Ausgang in Abbildung 2.6) auch der sogenannte Zellzustand (”oberer“ Ausgang in Abbildung 2.6) erhalten bleibt. Diese zusätzliche Größe ermöglicht den LSTMs ihr Langzeitgedächtnis.
Die Funktionsweise und der Informationsfluss im Gedächtnismodul eines LSTM soll anhand von Abbildung 2.6 im Folgenden vorgestellt werden. Dabei wird das Modul zum Zeitpunkt t betrachtet. Der Input xt der gegenwärtigen Berechnungszeit wird mit dem Output ht−1 verknüpft. Dieser verknüpft Vektor wird durch einen ersten Sigmoidlayer geführt. Dabei entsteht ein Output-Wert nach der Formel 2.4, wobei ft der Output-Wert, σ die Sigmoidfunktion, Wf die Gewichtsmatrix des Layers, [ht−1, xt] der verknüpft Vektor von xt und ht−1 und bf das Bias des Layers ist.
Durch die Nutzung der Sigmoidfunktion wird jede Koordinate des Eingangsvektors bewertet, ob der Koordinatenwert vergessen (entspricht 0) oder gemerkt (entspricht 1) werden soll. Der Output dieses ersten Layers wird mit dem Zellzustand Ct−1 punktweise multipliziert. Somit bleiben nur die Werte des Zellzustands erhalten, die durch den Sigmoidlayer als ”zu merken“ definiert worden sind. Dieser erste Sigmoidlayer des Gedächtnismoduls wird als Forget-Gate (Vergessenstor) bezeichnet.
Zusammenfassung der Kapitel
1 Einleitung: Beschreibt die Relevanz künstlicher Intelligenz in der Automobilindustrie und führt in die Aufgabenstellung der automatisierten Gangwahl ein.
2 Neuronale Netze: Erläutert die theoretischen Grundlagen künstlicher neuronaler Netze, verschiedene Netzarchitekturen und spezifische Trainingsmethoden.
3 Programmierung und Implementierung: Dokumentiert die praktische Umsetzung der Gangwahl-Algorithmen mittels LSTM-Netzwerken in Matlab und Python sowie die Validierung der Ergebnisse.
4 Zusammenfassung: Fasst die Testergebnisse zusammen und bewertet die Eignung von LSTMs für die Gangwahl im Vergleich zu klassischen Feedforward-Netzen.
Schlüsselwörter
Künstliche neuronale Netze, Long Short Term Memory, LSTM, Gangwahl, Maschinelles Lernen, Zeitreihenanalyse, Matlab, Python, Tensorflow, Keras, Fahrzeugdaten, Schaltempfehlung, Neuronale Netze, Deep Learning, Automobilbau.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit beschäftigt sich mit der Optimierung automatisierter Gangwahl-Algorithmen in Fahrzeugen durch den Einsatz von Long Short Term Memory (LSTM)-Netzwerken.
Was sind die zentralen Themenfelder der Arbeit?
Zentral sind die theoretischen Grundlagen neuronaler Netze, die Datenaufbereitung für zeitabhängige Fahrzeugdaten und der Vergleich verschiedener Implementierungsansätze in Matlab und Python.
Was ist das primäre Ziel oder die Forschungsfrage?
Das Ziel ist es, durch die Nutzung von LSTMs präzisere Schaltvorgänge zu erzielen, indem Informationen aus der zeitlichen Abfolge der Fahrzeugdaten besser verarbeitet werden als bei bisherigen Ansätzen.
Welche wissenschaftliche Methode wird verwendet?
Es werden verschiedene Netzwerkkonfigurationen auf Basis von Messdaten aus Testfahrten mit einem VW Golf VII trainiert und deren Performance mittels Genauigkeitsmetriken und mittlerer quadratischer Abweichung evaluiert.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in die theoretische Einführung von Netzwerken, die methodische Datenaufbereitung für Zeitreihen und die konkrete Implementierung der LSTM-Modelle.
Welche Schlüsselwörter charakterisieren die Arbeit?
Typische Schlüsselwörter sind Künstliche neuronale Netze, LSTM, Gangwahl, Zeitreihenanalyse, Automobilbau und Maschinelles Lernen.
Warum wird Python zusätzlich zu Matlab verwendet?
Python mit Keras/Tensorflow ermöglicht eine komplexere, codebasierte Entwicklung von Netzwerken, während Matlab stärker auf grafische Oberflächen wie den Deep Network Designer setzt.
Welche Herausforderung stellte sich bei den Trainingsdaten?
Eine große Herausforderung war das extreme Ungleichgewicht der Daten, da die meiste Zeit kein Gangwechsel stattfindet, was das Training für seltene Schaltvorgänge erschwert.
- Citar trabajo
- Daniel Seufferth (Autor), 2020, Künstliche Intelligenz in Fahrzeugen. Die Nutzung von Long Short Term Memory-Netzwerken zur Gangwahl im Automobil, Múnich, GRIN Verlag, https://www.grin.com/document/924687
