Maschielles Lere: Ei Blick hiter die Kulisse Dr.-Ig. Thorste Edelhäußer Gruppe: Machie Learig ad Iformatio Fusio Frauhofer IIS
Über us Bereich Lokalisierug ud Veretzug des Frauhofer IIS i Nürberg Schwerpukte: Maschielles Lere ud Data Aalytics (Deep Learig, Reiforcemet Learig) Verteilte Ereigisverarbeitug ud Datestromaalyse Iformatio ud Sesor Fusio (Bays sche Filter, SLAM) Kamerabasierte ud hybride Lokalisierugslösuge Awedugsfelder: Virtual Reality, Lokalisierug, Sport, Robotik, Idustrie 4.0 Frauhofer IIS 2
Date sid allgegewärtig... Frauhofer IIS 3
Date sid allgegewärtig... Extraktio vo Wisse/Iformatio: Data Miig? Data Miig auf diese Date: Erkeug vo Aomalie/Ausreißer Erkeug vo Objekt-Gruppieruge Klassifikatio vo Datesätze Idetifikatio kausaler Zusammehäge Idetifikatio statistischer Abhägigkeite Aggregatio vo Datesätze (ohe Iformatiosverlust) Frauhofer IIS 4
Machielles Lere Was ist das eigetlich? Machielles Lere ist ei Oberbegriff für die küstliche Geerierug vo Wisse aus Erfahrug: Ei küstliches System lert aus Beispiele ud ka diese ach Beedigug der Lerphase verallgemeier. Quelle: https://de.wikipedia.org/wiki/maschielles_lere Beispiele werde icht eifach auswedig lere Muster ud Gesetzmäßigkeite werde erkat/extrahiert ud i Form eies Modells repräsetiert Ziel: Lertrasfer: Beurteilug ubekater Date Achtug: Overfittig Frauhofer IIS 5
Machielles Lere Was ist das eigetlich? Usupervised Learig Supervised Learig Reiforcemet Learig Keie Labels Iput/Output Paare Etscheidugsprozess kei Feedback Direktes Feedback Belohugssystem Verborgee Strukture extrahiere Klassifikator oder Regressor zur Prädiktio Optimales "Verhalte" Frauhofer IIS 6
Machielles Lere Was ist das eigetlich? Die klassische Implemetierug Iput Die ML -Implemetierug Iput Output Programm Programm Output Frauhofer IIS 7
Beispiel: Lokalisierugssysteme Time Differece of Arrival (TDOA) Atee 12 Atee N Cluster Atee 2 Lokalisiertes Objekt Frauhofer IIS Atee 1 8
Corr Edge Max Beispiel: Lokalisierugssysteme Der traditioelle Weg - Modellierug ToA ToA 1 0.9 0.8 0.7 0.6 0.5 ToA (t, x, y, z) 0.4 0.3 0.2 0.1 0 0 50 100 150 200 250 300 350 400 450 500 ToA Bewegug? Wo? Kalibrierug? Aalyse? Smoothig? Messmodell? Fehlermodell? Notwedig? Frauhofer IIS 9
Beispiel: Lokalisierugssysteme Der Machie Learig Weg Modellierug des Systems oft durch Approximatio ud Liearisierug. Ka ma hier auch Machie Learig awede? Exkurs: WLAN-Figerpritig: 1. Referezdateaufahme a viele Pukte. 2. Speicher i Datebak. 3. Für eue Messpukt KNN ausführe ud Positio (gewichtet) mittel. Problem: es wird kei Modell gebildet! Frauhofer IIS 10
Beispiel: Lokalisierugssysteme Der Machie Learig Weg Modellierug des Systems oft durch Approximatio ud Liearisierug. Ka ma hier auch Machie Learig awede? Exkurs: WLAN-Figerpritig: 1. Referezdateaufahme a viele Pukte. 2. Geerierug eies Modells. 3. Für eue Messpukt das Modell etscheide lasse. Frauhofer IIS 11
Beispiel: Lokalisierugssysteme Der Machie Learig Weg Die etscheidede Merkmale (ToA) extrahiere, um damit ei Modell zu geeriere, welches die Wirklichkeit beschreibt. Weig Vorverarbeitug otwedig (es wird ur eie SW-Kompoete ersetzt). Moderate Mege a Traiigsdate otwedig (abhägig vo sog. Nicht-Liearitäte). NN, SVM etc. habe ähliches Laufzeitverhalte wie klassische Verfahre. Frauhofer IIS 12
Beispiel: Lokalisierugssysteme Der Machie Learig Weg Bewegugsmodell ka auch erlert werde. Positiosdate geeriere ohe (spezifisches) Bewegugsmodell. Beschreibug der Bewegug mit Hilfe eies Textstrigs. Erlere zusammehägeder Textfragmete ud dere Übergäge zueiader. Frauhofer IIS 13
Beispiel: Waremaagemet i der Logistik Herausforderuge für die Lokalisierug Realbediguge oft sehr schwierig: Metallische Oberfläche. Uterschiedlichste Ware. Ege Gäge. Istallatioe müsse oft ud aufwädig per Had optimiert werde. Frauhofer IIS 14
Beispiel: Lokalisierug i der Logistik Der Deep Learig Weg Auch der ML-Asatz steht hier vor große Herausforderuge! Geerelle Idee: Vorverarbeitug, Merkmalsextraktio, ud selektio auch durch das ML-Verfahre optimiere à Deep Learig Bewegugsverhalte der Objekte auch gleich mit itegriere. Dateaufahme (A/D) Vorverarbeitug Merkmalsextraktio Merkmalsauswahl Klassifikatio Deep Learig Samples Traiig Machie Learig Frauhofer IIS 15
Deep Learig Grudsätzliches Meist i Form vo euroale Netze implemetiert. Die erste Schichte erlere Merkmale ud dere Gewichtug. Die letzte Verarbeitugsschritte gewichte extrahierte Merkmale ud fälle Etscheiduge. Aber: Immese Mege a Date otwedig. Modellgeerierug ka Woche dauer. Etscheidug oft schwer achvollziehbar. Frauhofer IIS 16
Deep Learig Dategeerierug Messprizip für Lokalisierugssysteme objektiv reproduzierbar automatisiert Stadardisierter Messbericht Positioe Beweguge Aber auch ideal, um Traiigsdate zu erzeuge! Frauhofer IIS 17
Beispiel: Lokalisierugssysteme Der Deep Learig Weg Außerdem möglich: Active Learig Frauhofer IIS 18
Erste Eiblicke Massive Mehrwege Klassische Verfahre ML-Asatz Frauhofer IIS 19
Beispiel: Optische Lokalisierugssysteme Der Deep Learig Weg Merkmals-basierte Matchig-Verfahre i der Praxis: Zu lagsam. Zu weig robust gegeüber Umgebugsäderuge. outdoor: ~2.5m, < 5 ; idoor: < 0.7m, < 1. Frauhofer IIS 20
Was habe wir verschwiege? Reiforcemet Learig MIT Techology Review: Groudbreakig Techologies 2017 Zur Erierug: Deep Learig war 2013 auf der Liste. Frauhofer IIS 21
Fazit Maschielles Lere hilft, Gesetzmäßigkeite aus Datesätze zu extrahiere, ud diese durch ei Modell zu beschreibe. ML ka das Modell bestefalls approximiere. We das Modell ideal beschreibbar ist, köe kovetioelle Methode überlege sei. Vergleiche sollte daher differeziert betrachtet werde: Kovetioelle Verfahre uter Idealbediguge? Wie häufig existierte schwierige Bediguge? Echt-Hybride Methode häufig die beste Lösug (aber aufwädig!) Frauhofer IIS 22