Edag Weltweit

    Vehicle Engineering
    br
    Brasilien
    cn
    China
    gb
    Großbritannien
    it
    Italien
    jp
    Japan
    my
    Malaysia
    mx
    Mexiko
    nl
    Niederlande
    se
    Schweden
    pl
    Polen
    ch
    Schweiz
    es
    Spanien
    cz
    Tschechien
    hu
    Ungarn
    us
    USA
    Production Solutions
    br
    Brasilien
    cn
    China
    in
    Indien
    mx
    Mexiko
    se
    Schweden
    cz
    Tschechien
    hu
    Ungarn
    us
    USA

    tech insights

    Bild-Rekonstruktion mittels KI lässt Autos besser sehen

    Der vollautonome Pkw ist bislang noch Zukunftsmusik. Fahrer-Assistenz-Systeme, die zumindest unterstützen können, sind jedoch auf dem Vormarsch. Sie basieren im Wesentlichen auf der Erkennung der Fahrzeugumgebung. Künstliche Intelligenz trägt dazu bei, dass das auch bei widrigen Wetterbedingungen und verschmutzten Kameras zuverlässig funktioniert.

    Sie weisen auf Geschwindigkeitsbeschränkungen hin, rangieren selbstständig in die Parklücke oder greifen in gefährlichen Situationen ins Fahrgeschehen ein: Immer mehr digitale Helfer sollen Fahrerinnen und Fahrer unterstützen. Sie arbeiten unter anderem auf Basis von Kamerabildern oder weiteren Sensoren, wie zum Beispiel Radar, LIDAR oder Ultraschall.

    In der Theorie liefern sie hochqualitative Ergebnisse, die das Fahren sicherer machen. In der Praxis sieht es jedoch leider oft anders aus. Wenn die Kameralinse durch Staub oder Dreck verunreinigt ist oder schlechte Wetterbedingungen wie Regen, Nebel oder Schnee vorherrschen, erhält die Software kein klares Bild. Es fehlen dadurch eventuell wichtige Daten.

    Wie sich Fehlfunktionen reduzieren lassen

    Nicht nur für vollautomatisierte Verkehrssysteme können daraus schwerwiegende Folgen entstehen, auch teilautomatisierten Systemen machen fehlende Verkehrs- oder Umgebungsinformation zu schaffen. Beispiel Schilder-Erkennung: Gilt ein Tempo-Limit von 80 oder 60 km/h? Muss das Fahrzeug abgebremst werden oder ist die Geschwindigkeit im zulässigen Bereich? Noch schwerwiegender können sich Fehlinterpretationen bei der Erkennung beziehungsweise Vermeidung von Kollisionen auswirken. Schlimmstenfalls drohen Unfälle durch unerwartete Fahrmanöver, die von einem Assistenzsystem ausgelöst wurden.

    Um Fehlfunktionen oder den Totalausfall eines Systems zu vermeiden und eine robuste, zuverlässige Funktion softwarebasierter Funktionen und Assistenzsystemen für eine große Vielfalt an Situationen und Umgebungen abzusichern, hat die EDAG Group vor vier Jahren mit gezielter Forschung und Entwicklung im Bereich Künstlicher Intelligenz (KI) begonnen. Mit Hilfe von KI lassen sich Bildinformationen verbessern und das Fehlerrisiko bei Fahrerassistenzsystemen reduzieren.

    KI vom menschlichen Gedächtnis inspiriert

    Einer der erfolgsversprechendsten Ansätze zur Bildverbesserung mittels KI setzt auf Konzepte, die sich an der Struktur des menschlichen Gehirns sowie den Prozessen im Gedächtnis orientieren. Neuartige Auto-Encoder-Architekturen setzen dabei auf die Kombination von Partial-Convolutional Neural Networks (pCNN), also „gefaltete“ Neuronale Netzwerke, und convolutionale Long-Short-Term-Memory-Netze (ConvLSTM), zu deutsch: ein Netz als gefaltetes langes Kurzzeitgedächtnis.

    blogbild-ki-assistenzsysteme

    Architektur des Partial-Convolutional LSTM Layer

    Eine solche Architektur ermöglicht eine vom menschlichen Gedächtnis inspirierte raumzeitliche Merkmalsextraktion. Zur Rekonstruktion eines unvollständigen Bildes zieht die KI auch Informationen aus Vorgänger- und Nachfolgerbildern heran. Dieser Deep-Learning-Ansatz erlaubt die robuste Vervollständigung trotz Bildfehlern, die äußerst variantenreich auftreten können.

    Die gewählte Netzarchitektur ist in der Lage, Informationen von zuvor gesehenen Objekten und Szenarien zu abstrahieren und daraus grundlegende Zusammenhänge zu erkennen. So können beispielsweise im Einzelbild verdeckte Objekte auf Basis von Erfahrungswerten aus den vorhergehenden Bildern rekonstruiert werden. Diese Fähigkeiten der KI werden im Trainingsprozess durch Analyse von Millionen verschiedener Bilder gesammelt. Die Korrektheit der Abstraktion muss während des Trainingsprozesses ständig überprüft werden.

    Auf unterschiedliche Hardware ausgerichtet

    Die derzeit entwickelte Netzwerkarchitektur der zur Bildverbesserung genutzten Künstlichen Intelligenz ist auf die weitverbreiteten Nvidia-Autonomous-Plattformen optimiert. Sie ist aber ebenso auf FPGA-Systemen von Xilinx lauffähig. In jedem Fall können Anwender sicher sein, von hoch performanten Algorithmen in Kombination mit einer gängigen Hardwareplattform für eingebettete Systeme zu profitieren. Der Einsatzbereich des Systems erstreckt sich sowohl auf RearView- wie FrontView- sowie TopView-Kamerasysteme und ist darüber hinaus und in Kombination mit weiteren Sensorgattungen anwendbar.

    Vielfältige Anwendungsfälle

    Welchen Vorteil solche KI-gestützte Systeme bieten, zeigt sich im Automotive-Umfeld beispielhaft beim vollautomatisierten Einparken. Sind während des Parkmanövers ein Teil der Windschutzscheibe oder die Rückfahrkamera partiell verschmutzt und dadurch die kamerabasierten Funktionen eingeschränkt, schaltet das System von aktiv auf ausschließlich informierend herunter. Das Fahrzeug unterstützt den Fahrer also nur noch und nimmt ihm das Einparken nicht vollständig ab. Mit der Unterstützung der KI-Software, die Güte und Robustheit der Kamerabilder absichert, wird die Degration der Assistenzfunktion vom autonomen zum rein informativen Unterstützungssystem verhindert oder hinausgeschoben.

    Neben dem Automotive-Bereich ist die KI-gestützte Bildverbesserung auch für die Industrie ein interessanter Anwendungsfall. Sie kann beispielsweise in der visuellen Qualitätskontrolle eingesetzt werden. Weitere Einsatzmöglichkeiten innovativer Machine- und Deep-Learning-Techniken zeigen sich unter anderem bei der Vereinfachung aufwändiger FEM-Berechnungen oder der qualitativen Auswertung von Messsignalen für die Fahrzeugsicherheit. Die Anpassung von KI-basierten Architekturen zu den jeweiligen Herausforderungen ist generisch und hat dank ausreichender Datenquellen und deren Vorverarbeitung das Potenzial, zur kontinuierlichen Verbesserung und Absicherung beizutragen, sei es bei der Optimierung interner Prozesse oder der Entwicklung zukünftiger Fahrzeugkonzepte.

    Wenn Sie mehr wissen wollen über den Einsatz von KI-gestützter Methoden im Bereich der Bildverarbeitung, sprechen Sie mit unserem Spezialisten Jacek Burger, Abteilungsleiter im Bereich Embedded Systems & ComputerVision/KI. Weitere Details über die Entwicklung von KI-Architekturen bei EDAG, wie Convolutional Neuronal Networks (CNN) zur Bildverbesserung, finden Sie zudem in unserem Whitepaper „Effiziente Bildverarbeitung mittels KI“, das Sie gleich hier downloaden können.

    Download Whitepaper H.A.R.D.

    Jetzt Whitepaper herunterladen
    Experten- gespräch  vereinbaren >>

    Ähnliche Beiträge

    Immer mehr Anwendungen nutzen die Möglichkeiten von Machine Learning und neuronalen Netzen zur Objekterkennung. Doch wie leistungsfähig eine Künstliche Intelligenz bei solchen Aufgaben ist, hängt unter anderem von der Qualität der Trainingsdaten ab. Mit geeigneten Tools lassen sich geeignete Datensätze per Tablet und Smartphone generieren. Ist die...

    >> Mehr Lesen
    Sogenannte „Starkregen-Ereignisse“ treten in Folge des Klimawandels immer häufiger auf und richten immer größere Schäden an. Um Leib und Leben, Eigentum und Infrastruktur von Städten und Gemeinden zu schützen bedarf es daher zusätzlicher Anstrengungen. Das Starkregen Frühalarmsystem kann entscheidend dazu beitragen, die Schäden zu minimieren. Am...

    >> Mehr Lesen
    Werkstatt-Aufträge, Einsatzberichte von Service-Technikern oder Kundenreklamationen – sie alle werden standardmäßig in Datenbanken dokumentiert, ebenso die damit verbundenen Reparaturmaßnahmen oder sonstigen Lösungen. Doch ist der Fall geschlossen, wird auf die gespeicherten Informationen kaum noch zugegriffen. Dabei enthalten sie wertvolles...

    >> Mehr Lesen
    EDAG Logo

    EDAG

    Kreuzberger Ring 40, 65205 Wiesbaden
    p +49 661 6000-0 f +49 661 6000-223