OEM&Lieferant Ausgabe 1/2020

22 Engineering Partner Da gerade im Bereich des autonomen Fah- rens Menschenleben auf dem Spiel stehen, ist eine korrekte Identifikation von Objek- ten essenziell. Hierfür wird aber ein tiefe- res Verständnis der Entscheidungsfindung innerhalb der neuronalen Netzwerke not- wendig. Nur so können Fehler bei der Klas- sifikation auf ein Minimum reduziert und die Sicherheitsvorgaben der ISO 26262 und ISO/ PAS 21448 – beispielsweise die Minimierung unbekannter oder unsicherer Szenarien – eingehalten werden. Daher hat ARRK Engi- neering im Rahmen einer Forschungsarbeit Grundlagen für ein Framework entwickelt, um die Funktionsweise von CNNs besser zu verstehen und letztendlich die Objekterken- nung sicherer zu gestalten. Mithilfe dieses Frameworks lassen sich die Schwachstellen eines CNN einfach identifizieren und nach- träglich beheben. Somit wird das Fehler- und Unfallrisiko aufgrund falscher Klassifikationen verringert. In der Automobilindustrie wird auf der Su- che nach besseren Fahrerassistenzsystemen (Advanced Driver Assistance System – kurz: ADAS) die Forschung stark vorangetrieben – etwa durch neue Hardware mit effizienteren und robusteren Sensoren oder durch leis- tungsfähigere Algorithmen. In diesem Zuge muss auch die Erkennungsrate bei der auto- matischen Bildverarbeitung stets bedacht werden. „Zentral für das autonome Fahren ist, dass die Algorithmen für die Objekt- erkennung schnell arbeiten und eine minimale Fehlerquote aufweisen“, erklärt Václav Diviš, Senior Engineer ADAS & Autonomous Driving bei ARRK Engineering. „Aber erst wenn wir neuronale Netzwerke bis ins kleinste Detail verstanden haben, ist die Entwicklung von Bild: © ARRK Engineering Eine automatische Bilderkennung kann Objekte – wie etwa Personen – nur mit einer gewissen Wahrscheinlichkeit er- kennen. Fehler bei der Objekterkennung stellen ein großes Sicherheitsrisiko beim autonomen Fahren dar. Automatische Objektidentifikation und Bildverarbeitung für autonomes Fahren Sichere Erkennung von Fußgängern: Framework unterstützt die Analyse neuronaler Netzwerke Von Annika Mahl, ARRK Engineering Die Technik für künstliche Intelligenz (KI) und Convolutional Neuronal Networks (CNN) ist weit fortgeschritten und ermöglicht bereits die automatische Erkennung unterschiedlicher Objekte. Dennoch können fehlerhafte Klassi- fikationen nie völlig ausgeschlossen werden, weswegen die Zuverlässigkeit automatischer Prozesse bei der Bild- verarbeitung weiterhin optimiert werden muss. Bild: © ambrozinio/shutterstock.com optimalen Sicherheitsmaßnahmen für das autonome Fahren realisierbar.“ UmdiesemZiel ein Stück näher zu kommen, hat ARRK Engi- neering im Rahmen einer Forschungsarbeit ein Evaluierungs-Framework für maschinelles Lernen entwickelt. Dabei handelt es sich um eine Software, mit deren Hilfe ein tieferer Ein- blick in den Erkennungsprozess der neurona- len Netze ermöglicht wird. Darauf aufbauend können Algorithmen optimiert und die auto- matische Objekterkennung verbessert wer- den. Das Experiment diente auch insgesamt dem tieferen Verständnis der Wirkungsweise neuronaler Netzwerke. Anlernen des neuronalen Netzes In einem ersten Schritt wurde als Grund- lage für das Framework eine zuverlässige GAN-Architektur (Generative Adversarial Networks) aus zwei neuronalen Netzwerken – einem Generator und einem Diskriminator – zur Ergänzung des Datensatzes ausgewählt. Der verwendete Datensatz bestand in dieser Phase zunächst aus etwas über 1.000 Bil- dern von Fußgängern. „Um den Datensatz zu erweitern, wurden mithilfe des GAN zu- sätzliche Bilder erzeugt“, erklärt Diviš. „Dafür T E I L E N