Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren

Transkript

1 Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren Regensburg, , Ulrich Haböck Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 0

2 Agenda Grundlagen Machine Learning Wie kann Machine Learning zu einem höheren SAE Level beitragen? Anwendungsbeispiel Clustering Anwendungsbeispiel Klassifikation Ausblick Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 1

3 Grundlagen Machine Learning Datenanalyse Datenbasierte Funktionsentwicklung Datenmenge Anforderungen Datenmenge Datenlabels Anwendungen: Clustering Anomalie Detektion Anwendungen: Klassifikation Vorhersage / Regression Bestätigte Annahmen Gegenteilige, neuartige Erkenntnisse Funktionalität als Softwarekomponente Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 2

4 Machine Learning Anwendungen im Alltag Clustering Marktsegmentierung zur Erkennung von Zielgruppen neuer Produkte Anomalie Detektion Kreditkartenmissbrauch Klassifikation Spracherkennung (Alexa, Ok Google, Siri, etc.) Objekterkennung im Straßenverkehr (Schilder, Personen, Fahrzeuge, etc.) Krebsfrüherkennung (Mikroskopbilder, Röntgenbilder, Fotos, etc) Bauteil Qualitätssicherung (Segmentierung von Schweißnähten) Vorhersage / Regression Textvervollständigung (Smartphone, Google Suche, etc.) Online Empfehlungen (Produkte auf Amazon, Filmempfehlungen auf Netflix, etc.) Lenkung NVIDIA Self-Driving Car (anhand Kamera, Lidar, etc.) Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 3

5 Deep Learning Mehrschichtiges Neuronales Netz Neuronale Netzte sind ein Teilbereich von Machine Learning, inspiriert von der Funktionsweise des Gehirns über Neuronen Eine Deep Learning Anwendung entspricht einem mehrschichtigen neuronale Netz Deep Learning hat das Potential, komplexe Strukturen in Daten zu erkennen, welche der Mensch nicht regelbasiert programmieren kann Das Training von neuronalen Netzten kann viel Zeit und Rechenleistung in Anspruch nehmen Das trainierte neuronale Netz hingegen kann seine Vorhersagen in kürzester Zeit berechnen Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 4

6 Agenda Grundlagen Machine Learning Wie kann Machine Learning zu einem höheren SAE Level beitragen? Anwendungsbeispiel Clustering Anwendungsbeispiel Klassifikation Ausblick Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 5

7 Wie kann Machine Learning zu einem höheren SAE Level beitragen? Aktueller Serienstand Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 6

8 Potential Machine Learning im Bereich Autonomes Fahren Datenanalyse Datenbasierte Funktionsentwicklung Datenmasse Anforderungen Datenmasse Datenlabels Neuartige Erkenntnisse aus Schwarmdaten Realistische Kurvengeschwindigkeiten Fahrstilanalyse Clustering der Fahrer in unterschiedliche Fahrertypen Erkenntnisse zu geeigneten, bewertungsfähigen Signalen Komplexe Funktionsabbildung im Bereich Kamera, Lidar, Radar, etc. Objekterkennung/-klassifizierung Intentionserkennung Fahreradaption Erlernen des Lang- und Kurzzeit Fahrstils Adaption der Fahrerassistenzsysteme anhand des Lang- und Kurzzeit Fahrstils Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 7

9 Agenda Grundlagen Machine Learning Wie kann Machine Learning zu einem höheren SAE Level beitragen? Anwendungsbeispiel Clustering Anwendungsbeispiel Klassifikation Ausblick Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 8

10 Datenanalyse Ziele von Clusteranalysen Anordnen der Daten in Cluster zeigt Verbindungen auf Vorbereitung der Daten für andere Machine Learning Techinken Labeling Erkennung von Zusammenhängen innerhalb der Daten Neue Erkenntnisse Segmentierung als Ziel Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 9

11 Clustering Anwendungsbeispiel: Bertrandt Fahrstilanalyse 2015/ Fahrer Entwicklungsfahrzeug 18 Datenaufzeichnungen mit Messinstrumenten je 1,5 Stunden Ergebnisse: 18 Fahrer sind in drei unterschiedliche Fahrstiltypen (Cluster) einzustufen: Ausgeglichene Fahrer Sicher und effiziente Fahrer Sportliche Fahrer Erkenntnisse: Relevante Signale zur Unterscheidung der Fahrertypen Ziele: Anhand der neuen Erkenntnisse Fahrerassistenzsysteme zu adaptieren um deren Akzeptanz zu erhöhen Clusteringalgorithmus Kooperation Bertrandt & OTH Regensburg Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 10

12 Agenda Grundlagen Machine Learning Wie kann Machine Learning zu einem höheren SAE Level beitragen? Anwendungsbeispiel Clustering Anwendungsbeispiel Klassifikation Ausblick Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 11

13 Datenbasierte Funktionsentwicklung - Vorstellung pacc Ziel Nutzung von prädiktiven Kurveninformationen zur Teilautomatisierung der Längsregelung Sensorik des Systems: Radar, Kamera, ESP, PSD, Bedienelemente Aufgaben des Systems: Komfortsteigerung Kraftstoff einsparen Gesetzliche Rahmenbedingung: Der Fahrer ist der Master/Überwacher Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 12

14 Erlernen des Fahrstils und zur weiteren Adaption der pacc Längsregelung Straße, Verkehr, Wetter Gas-/Bremspedal, Lenkwinkel, etc. Deep Neural Net Fahrstil: Sicherheit: Abstand zu anderen Fahrzeugen, Kurvenschneiden, Sportlichkeit: Situationsbedingter Gas- / Bremspedalgradient Energieeffizienz: Annäherungsverhalten (Bremsung, Motorschlepp, Segeln) Adaption von pacc Systemparametern Zeitlücke Beschleunigungsgradient Geschwindigkeitsverlauf des Annäherungsverhaltens Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 13

15 Agenda Grundlagen Machine Learning Wie kann Machine Learning zu einem höheren SAE Level beitragen? Anwendungsbeispiel Clustering Anwendungsbeispiel Klassifikation Ausblick Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 14

16 Ausblick Funktionen System pacc: Direkte Beeinflussung der Längsbeschleunigung anhand des neuronalen Netzes, anstatt Anpassung der Systemparameter Neuronale Netzte stellen nahezu das exakte Fahrverhalten des Fahrers dar Überholassistent (Längsführung) Erkennung überholsicherer Situationen Fahrerspezifische Anpassung der Längsbeschleunigung beim Überholvorgang Hardware Steuergeräte im Fahrzeug Erste Generation von Steuergeräten mit hohen Rechenleistungen für Deep Learning ist angekommen Testing Fehlende Testkonzepte Absicherung von Machine Learning Algorithmen befindet sich in Forschung Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 15

17 Vielen Dank. Noch Fragen? Dann sprechen Sie mit Ulrich Haböck oder Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 16