Begriffe wie Künstliche Intelligenz, Neuronale Netze, Deep Learning und Machine Learning sind im Zeitalter der Digitalisierung allgegenwärtig. Ganz besonders auch dann, wenn es um autonomes Fahren geht. Auch die EDAG Group nutzt diese Technologien längst für innovative Kunden- und Eigenprojekte.
Die Automatisierung von Fahrzeugen bietet der Automobilindustrie nie dagewesene Möglichkeiten, um Autos sicherer und komfortabler zu machen. Um die Sicherheit auf den Straßen zu erhöhen und das autonome Fahren mehr und mehr zu ermöglichen, ist KI der Schlüssel. Fahrzeuge werden bereits jetzt mit einer Vielzahl von Sensoren ausgestattet, deren Daten über KI ausgewertet und genutzt werden, um den Verkehr der realen Welt zu verstehen und zu verbessern.
Die Sensorik des Autos kann über Neuronale Netze andere Verkehrsteilnehmer, Schilder oder Fahrbahnmarkierungen erkennen und sie ist darüber hinaus in der Lage, auch bewegliche Objekte, wie Fußgänger wahrzunehmen um daraus Handlungen abzuleiten.
Der Mensch behält seine Umgebung beim Autofahren wie selbstverständlich im Blick. KI im autonomen Fahrzeug hingegen muss die Situation in Sekundenbruchteilen immer wieder auf Basis der Daten aus den Sensoren neu berechnen und die Situation neu erfassen.
Doch was ist, wenn Gefahrenquellen, wie ein plötzliches Hindernis, nicht erkannt werden können, weil Sensoren oder Kameras diese nicht sehen? Wenn die Witterungsverhältnisse so schlecht sind, dass weder der Mensch noch das autonome Auto rechtzeitig reagieren können? Oder die Kamera verschmutzt ist?
Klare Sicht Dank EDAG
EDAG Electronics hat genau für diese Problematik eine Lösung: Wir haben eine Software entwickelt, die durch den Einsatz Künstlicher Intelligenz assistiertes und automatisiertes Fahren auch bei schlechten Sichtverhältnissen unterstützt. Unser System DiFoRem (Dirt & Fog Removal) ist in der Lage, durch Kameralinsendefekte, Schmutz oder Beschlag erzeugte Bildfehler mit Hilfe neuronaler Netze in Echtzeit auszugleichen. Das rekonstruierte Bild kann anschließend von weiteren Assistenzsystemen oder für das automatisierte Fahren verwendet werden und sorgt so für ein entscheidendes Plus an Bild- und Informationsqualität. So können trotz verschmutzter oder beschlagener Linse Hindernisse erkannt werden.
Um Bildfehler digital zu kompensieren, werden zuerst die beeinträchtigten Bereiche jedes einzelnen eingehenden Bildes algorithmisch erkannt und als Bildfehler markiert. Im Folgeschritt werden fehlerhafte Bildausschnitte durch das neuronale Netz rekonstruiert und im Gesamtbild durch die Rekonstruktionen ersetzt.
Die Entwickler der EDAG Group entwickelten neuartige Auto-Encoder Architekturen bestehend aus Partial-Convolutional Neural Networks und ConvLSTMs. Dies ermöglicht eine vom menschlichen Gedächtnis inspirierte raumzeitliche Merkmalsextraktion und erlaubt DiFoRem auch Informationen aus Vorgänger- und Nachfolgerbildern zur Rekonstruktion zu verwenden. Der Deep-Learning-Ansatz ermöglicht die robuste Rekonstruktion von Bildfehlern, die äußerst variantenreich auftreten können.
Die gewählte Netzarchitektur ermöglicht so, Informationen von zuvor gesehenen Objekten und Szenarien zu abstrahieren und grundlegende Zusammenhänge zu erkennen. So können beispielsweise im Einzelbild verdeckte Objekte auf Basis von Erfahrungswerten aus den vorhergehenden Bildern rekonstruiert werden. Diese Erfahrungswerte werden im Trainingsprozess durch Analyse von Millionen verschiedener Bilder gesammelt; die Korrektheit der Abstraktion wird während des Trainingsprozesses ständig überprüft.
Die EDAG Gruppe hat die Software für die weit verbreiteten Nvidia Autonomous-Plattformen optimiert. Im Ergebnis profitieren Anwender von hochperformanten Algorithmen in Kombination mit einer gängigen Hardwareplattform für eingebettete Systeme.
Das System DiFoRem erhöht die Verfügbarkeit und Robustheit von kamerabasierten Signalen und verbessert so die Qualität der Eingangsdaten von aktuellen Fahrerassistenzsystemen oder automatisierten Fahrfunktionen.
DiFoRem ist komplett Hardware unabhängig und kann so kompatibel in RearView-, FrontView-, TopView- oder SurroundView-Kamerasystemen Verwendung finden.
Künstliche Intelligenz und neuronale Netze helfen der Automobilindustrie in allen Bereichen, von der Konstruktion und Design, über die Produktion bis hin zur Weiterentwicklung und Verbesserung von Sicherheit und Komfort. So können sie Wegbereiter für die Mobilität der Zukunft werden und sie geben auch uns, den Experten von EDAG Electronics die Möglichkeit, unsere Kunden auf Ihrem Weg zum Autonomen Fahrzeug zu unterstützen und zu begleiten.
Unser Kollege Jacek Burger, Head of Embedded Systems & Computer Vision/AI, hilft Ihnen gerne dabei, noch genauere Einblicke in diese Technologien zu erhalten und welche Anwendungsgebiete noch möglich sind.
