Mühsame Klassifizierung von Objekten

Doch dazu ist viel Handarbeit erforderlich. Denn die aufgenommenen Bilder müssen zunächst "gelabelt" werden, damit das neuronale Netz anhand korrekter Zuordnungen lernt, welche Objekte welchem Klassifikator zugeordnet werden sollen. Daimler setzt dazu unter anderem Studenten ein, die auf den vorgelegten Straßensituationen mehr als 20 unterschiedliche Objekttypen markieren. Damit sei inzwischen auch möglich, Menschen zu erkennen, die von einem Fahrzeug verdeckt würden.

Stellenmarkt
  1. IT-Servicetechniker (m/w/d) - Bank Technologie
    GRG Deutschland GmbH, Hamburg
  2. Senior Cloud Engineer (m/w/d)
    unimed Abrechnungsservice für Kliniken und Chefärzte GmbH, Wadern (Home-Office möglich)
Detailsuche

Doch das reicht beim Fahren durch eine belebte Straße mit vielen kreuzenden Fußgängern nicht aus. Dazu muss das Auto auch in der Lage sein, die Bewegungsrichtungen der Personen zu erkennen und deren Wege vorherzusagen. Auch in diesem Fall nutzen Daimler und Bosch neuronale Netze. Diese greifen auf das Originalbild zurück und werten solche Objekte aus, die als Fahrradfahrer oder Fußgänger klassifiziert wurden. Weitere neuronale Netze analysieren auf Basis der gefundenen Objekte noch Verkehrszeichen und Ampelzustände.

Neuronale Netze für verschiedene Aufgaben

Das neuronale Netz für "schwächere Verkehrsteilnehmer" wurde dann so trainiert, dass es die Körperhaltungen der Fußgänger erkennt und daraus einen Vektor für die mögliche Bewegung bestimmt. Dazu wertete Daimler nach eigenen Angaben einen Datensatz von 50.000 Bildern aus, der in ganz Europa erhoben wurde. Auch in diesem Fall war wieder eine händische Bearbeitung erforderlich, "ein wahnsinnig hoher Aufwand", sagte ein Entwickler. Doch der Datensatz reiche noch längst nicht aus, um damit selbstfahrende Autos auf die Straße zu lassen.

Diese Interpretationen der Bildaufnahmen sagen jedoch nichts über das tatsächliche Verhalten aus. Denn ein Mensch kann schließlich auch rückwärts gehen. Hierzu vergleicht das System die Aufnahmen über eine Zeitachse, um mögliche Fehlannahmen zu korrigieren. Auf einer Testfahrt durch Immendingen funktionierte die Fußgängererkennung sehr zuverlässig. Kam es zu Fehldetektionen, wie bei Menschen auf Werbeplakaten, wurde diese unmittelbar wieder verworfen. Auch Fahrradfahrer, verdeckte oder sitzende Personen wurden gut erkannt.

Objekterkennung bei Lidar und Radar

Golem Akademie
  1. PowerShell Praxisworkshop: virtueller Vier-Tage-Workshop
    20.–23. Dezember 2021, virtuell
  2. Linux-Shellprogrammierung: virtueller Vier-Tage-Workshop
    8.–11. März 2021, Virtuell
Weitere IT-Trainings

Eine solche Klassifizierung gibt es jedoch nicht nur für Kamerabilder. Auch die Lidaraufnahmen werden durch neuronale Netze geschickt, die Objekte klassifizieren sollen. Das ist deutlich schwieriger, weil selbst teure Laserscanner nur eine Auflösung von 128 Zeilen in der Vertikalen und 0,2 Grad in der Horizontalen haben. Das heißt, ein 360 Grad-Lidar kommt pro Rundlauf theoretisch auf maximal 230.400 Datenpunkte, die neben der Entfernungsangabe noch die Intensität der Reflexion messen. Letzteres ist hilfreich, um beispielsweise reflektierende Verkehrsschilder oder Autos zu identifizieren. Nach Angaben der Entwickler lassen sich auf diese Weise ebenfalls semantische 3D-Bilder erzeugen, die Objekte klassifizieren.

Das ist inzwischen auch bei Radar-Aufnahmen gut möglich. Daimler und Bosch haben nach eigenen Angaben inzwischen 100 Millionen Radarpunkte klassifiziert, mit denen die neuronalen Netze für die Auswertung der Aufnahmen trainiert würden. Natürlich mit Hilfe von Studenten. Radarsensoren haben den Vorteil, dass sie wegen des Doppler-Effekts unmittelbar die Geschwindigkeit der detektierten Objekte messen können. Zudem liefern Radare auch bei schlechten Wetterbedingungen wie Schnee und Regen zuverlässige Aufnahmen.

Bitte aktivieren Sie Javascript.
Oder nutzen Sie das Golem-pur-Angebot
und lesen Golem.de
  • ohne Werbung
  • mit ausgeschaltetem Javascript
  • mit RSS-Volltext-Feed
 Neuronale Netze: Wie Studenten autonome Autos schlau machenFusion der Sensordaten recht langsam 
  1.  
  2. 1
  3. 2
  4. 3
  5.  


Aktuell auf der Startseite von Golem.de
MS Satoshi
Die abstruse Geschichte des Bitcoin-Kreuzfahrtschiffs

Kryptogeld-Enthusiasten kauften ein Kreuzfahrtschiff und wollten es zum schwimmenden Freiheitsparadies machen. Allerdings scheiterten sie an jeder einzelnen Stelle.
Von Elke Wittich

MS Satoshi: Die abstruse Geschichte des Bitcoin-Kreuzfahrtschiffs
Artikel
  1. Solar Orbiter: Letzter Gruß an die Erde vor der wissenschaftlichen Mission
    Solar Orbiter
    Letzter Gruß an die Erde vor der wissenschaftlichen Mission

    Die Esa-Raumsonde Solar Orbiter soll zur Sonne fliegen. Mit ihrem Vorbeiflug an der Erde beginnt die wissenschaftliche Missionsphase.
    Von Patrick Klapetz

  2. Gigafactory Berlin: Tesla verzichtet für Akkufertigung auf staatliche Förderung
    Gigafactory Berlin
    Tesla verzichtet für Akkufertigung auf staatliche Förderung

    Tesla verzichtet für die geplante Akkufertigung in Grünheide bei Berlin auf eine mögliche staatliche Förderung in Milliardenhöhe.

  3. 50 Prozent bei IT-Weiterbildung sparen
     
    50 Prozent bei IT-Weiterbildung sparen

    Die Black Week 2021 in der Golem Karrierewelt läuft weiter: 50 Prozent bei zahlreichen Live-Workshops, Coachings und E-Learnings sparen - noch bis Montag!
    Sponsored Post von Golem Akademie

Du willst dich mit Golem.de beruflich verändern oder weiterbilden?
Zum Stellenmarkt
Zur Akademie
Zum Coaching
  • Schnäppchen, Rabatte und Top-Angebote
    Die besten Deals des Tages
    Daily Deals • Heute ist Black Friday • Corsair MP600 Pro XT 1TB 167,96€ • Apple Watch Series 6 ab 379€ • Boxsets (u. a. Game of Thrones Blu-ray 79,97€) • Samsung Galaxy S21 128GB 777€ • Premium-Laptops (u. a. Lenovo Ideapad 5 Pro 16" 829€) • MS Surface Pro7+ 888€ • Astro Gaming Headsets [Werbung]
    •  /