OEM&Lieferant Ausgabe 1/2020

23 ARRK Engineering www.arrk-engineering.com Webseite erstellte der Generator des GAN aufgrund der bisherigen Daten ein Bild und der Diskrimi- nator überprüfte dessen Qualität. Durch die Interaktion des neuronalen Netzwerks konntenwir dieMerkmale des ursprünglichen Datensatzes extrahieren und den Datensatz ohne besonderen Aufwand erweitern.“ Als nächstes wurde das Klassifizierungsnetz trainiert und die Testergebnisse evaluiert. Um die bestmöglichen Ergebnisse zu erzielen, verwendete ARRK für alle Elemente dieses Experiments modernste Architekturen. „Eine Herausforderung bei der automati- schen Bildverarbeitung besteht in der Ge- neralisierung des zu erkennenden Objekts. Die grundlegende Frage ist: Was definiert einen Fußgänger?“, so Diviš. „Dies stellt für uns Menschen kein Problem dar, denn wir können induktiv von Einzelfällen auf die Allgemeinheit schließen. Ein neurona- les Netzwerk arbeitet allerdings deduktiv und braucht zahlreiche Beispiele, um auf ein konkretes Bild zu schließen.“ Besonders müssen dabei auch sogenannte Corner Cases beobachtet werden. Dies sind Spezialfälle, in denen Fußgänger nicht erkannt werden – etwa aufgrund ungünstiger Lichtverhält- nisse durch seltene Wetterbedingungen oder beispielsweise aufgrund ungewöhnli- cher Körperhaltungen oder problematischer Verdeckungen im Bild. Zur Klassifikation die- ser Ausnahmen fehlt üblicherweise passen- des Bildmaterial im Datensatz. Aber mithilfe der zuvor errichteten GAN-Struktur gelang es ARRK, den Datensatz durch computerge- nerierte Bilder zu ergänzen und diese Prob- leme zu minimieren. Optimierung von Prozessen zur Objekterkennung Anschließend begann ARRK mit umfang- reichen Tests, deren zentrales Ziel ein tie- feres Verständnis der Prozesse hinter dem CNN-Training war. Im Rahmen dieser Ana- lysen untersuchten die Experten zahlreiche Prozesse, die in neuronalen Netzwerken auf- treten und analysierten Ansätze, um den In- formationsfluss der Neuronen zu optimieren. „Manche Neuronen beteiligen sich stärker an der Identifikation von Fußgängern als andere – und sind treffsicherer“, erklärt Diviš. „Daher habenwir diverse Szenarien getestet, in denen wir gezielt einzelne Neuronen ausgeschaltet haben, um zu sehen, wie sie die Entschei- dungsfindung beeinflussen. Dabei wurde be- stätigt, dass nicht jedes Neuron zur Erkennung eines Fußgängers aktiviert werden muss und dies sogar zu einem schnelleren und besseren Ergebnis führen kann.“ Solche Veränderungen konnten mithilfe des entwickelten Frame- works analysiert werden. Auf diese Weise lässt sich langfristig die Sta- bilität der Algorithmen erhöhen, was zu einer Verbesserung der Sicherheit des autonomen Fahrens führen wird. Es könnten beispiels- weise Vorkehrungen ergriffen werden, um das Risiko durch eine sogenannte Adversary Attack zu reduzieren. Dabei handelt es sich um einen externen Angriff auf das neuro- nale Netz mit einem Schadcode, der sich als scheinbar neutrales Bild tarnt. Dieser Code erzeugt eine Störung und beeinflusst die Entscheidung der einzelnen Neuronen, so- dass keine logisch korrekte Objekterkennung mehr möglich ist. Die Entfernung inaktiver Neuronen könnte die Auswirkungen von sol- chen externen Störfaktoren reduzieren, da das neuronale Netzwerk einen geringeren Angriffsraum bietet. „Es wird uns aber nie möglich sein, eine absolut korrekte Objekt- erkennung zu garantieren“, resümiert Diviš. „Unser Ziel in der Automobilbranche muss da- rin bestehen, die Schwachstellen neuronaler Netzwerke zu erkennen und besser zu ver- stehen. Nur so können wir effiziente Gegen- maßnahmen einleiten und die größtmögliche Sicherheit gewährleisten.“ Durch die Aus- wertung und Fusionierung verschiedener Sensordaten – beispielsweise von Kameras, Lidar oder Radar – kann die Objekterkennung zusätzlich enorm verbessert werden. Für das Anlernen der neuronalen Netzwerke in diesem Framework erzeugte der Generator des GAN auf Grundlage eines bestehenden externen Datensatzes an Fußgängern computergenerierte Bilder. Der Diskriminator unterschied zwischen echten und generierten Bildern. Durch diese Interaktion verbessert sich im Laufe der Zeit die Bilderzeugung des Generators und er generiert immer realistischere Bilder. Generator Discriminator Real samples Fake image latent space 80 noise z 256 12 128 24 64 48 128 48 256 24 512 12 ”fake” ”real” Grafik: © ARRK Engineering ARRK Engineering hat im Rahmen einer Forschungsarbeit Grundlagen für ein Framework entwickelt, um die Bild- erkennung von CNNs besser zu verstehen und letztend- lich die Objekterkennung zu optimieren. Dadurch soll die Wahrscheinlichkeit zur Erkennung von Fußgängern erhöht werden. Bild: © ARRK Engineering

RkJQdWJsaXNoZXIy MjUzMzQ=