Automatisches Pre-Labeling realer Situationen für Autonomes Fahren

Ausgangssituation

Für Messfahrten, welche zu Datenerfassungstests für Sensor-Erprobungen durchgeführt werden, benötigt man den Kontext bzw. ein Label für die erfassten Szenen. Dieser Labelingprozess ist äußerst aufwendig, da hier zugrundeliegende Datensätze meist in der Größenordnung von Zehntausenden liegen. Gleichzeitig sind auch die Kosten für manuelles Labeling hoch. Eine weitere Schwierigkeit liegt darin, dass die Daten und deren zugehörige Labels sehr aufgabenspezifisch sind. Obwohl die Anwendung von Transferlernen eine Option ist, sind immer noch große Datenmengen nötig.

Lösungsidee

Um den Labelingprozess zeit- und kostentechnisch effizienter zu gestalten, soll ein automatisches Pre-Labeling-System realer Situationen für autonomes Fahren entwickelt werden, welches in der Lage ist, eine Voreinteilung der aufgenommenen Daten vorzunehmen. Auf Basis von öffentlich verfügbaren, bereits gelabelten Bildern aus dem Internet sollen Modelle der Künstlichen Intelligenz (KI) trainiert werden, mit welchen sich zuverlässige Ergebnisse für das Labeling von bestimmten Situationen bzw. Objekten, wie z.B. Brücken, erzielen lassen.

Projektnutzen

• System mit dem Potenzial, die Entwicklung von KI-Anwendungen, wie z.B. selbstfahrenden Fahrzeugen, zu beschleunigen und effizienter als bisher zu gestalten.
• Durch die Automatisierung des Pre-Labelings realer Situationen für autonomes Fahren ist die Bereitstellung eines verlässlichen »Ground Truth« schneller bereitgestellt werden als durch konventionelles, manuelles Pre-Labeling

Umsetzung der KI-Applikation

In einem ersten Schritt wird eine Zusammenfassung der öffentlichen Datensätze im Bereich des autonomen Fahrens mit Auflistung aller Labels erstellt. Es folgt die Implementierung eines Kommissionierers, anhand dessen benötigte Daten aus den Datensätzen ausgewählt werden können. Schließlich erfolgt die Implementierung eines KI-Modells, welches basierend auf den ausgewählten Daten trainiert wird und Objekte, wie z.B. Brücken, im aufgenommenen Bildmaterial erkennt.

Das Team bei FhG hat im Quick Check #153 das Training von Modellen mittels öffentlichen Datensätzen zum Pre-Labeling von Videoszenen untersucht. Die dabei erhaltenen Ergebnisse sind ermutigend und bilden eine sehr gute Grundlage für weitere Untersuchungen. Die sehr fachkundige und professionelle Durchführung dieses Projektes wurde auch sehr gut von den FhG-Partnern dokumentiert, und wir sehen einer weiteren möglichen Zusammenarbeit mit großem Optimismus entgegen.

bestätigen Dr. Falk Hecker und Reinhold Behringer, Testimonials von Knorr-Bremse.