Adaption eines trainierten Modells für neue Sensorquellen

Quick Check

Ausgangssituation

Neuronale Netze, die zum autonomen Fahren von Kraftfahrzeugen eingesetzt werden sollen, werden häufig durch manuelle Fahrten trainiert. Hierbei nimmt ein Messsystem Daten von Sensoren auf, die dann zum Training der neuronalen Netze verwendet werden. Dabei spielt die Platzierung und Kalibrierung der Sensoren eine wichtige Rolle: Bei der Nutzung der generierten internen Modelle der neuronalen Netze müssen z. B. die gleichen Sensoren an der gleichen Einbaustelle und mit den gleichen externen Parametern (Richtung, Ort) genutzt werden, die beim Training verwendet wurden.

Lösungsidee

Die Verwendung bereits trainierter Modelle und deren Anpassung an andere Kontexte könnte Vorteile im Technologieentwicklungsprozess bieten. Aus diesem Grund soll untersucht werden, ob es durch den Einsatz des Open-Source-Pilot-Systems Comma.ai möglich ist, den Einsatz dieses Systems durch die Verwendung von Sensoren, die von schweren Fahrzeugen erfasst werden, zu erweitern, ohne große Verluste in Bezug auf Leistung und Genauigkeit in Kauf zu nehmen.

Abbildung 1: Konzept der KI-Applikation, Knorr-Bremse GmbH, Fraunhofer IPA

Nutzen

Die Anwendung dieser KI-Modelle auf LKWs würde wesentlich dazu beitragen, Kosten und Aufwand bei der Entwicklung von autonom fahrenden LKW zu sparen und damit die Entwicklung und den Einsatz solcher Systeme in kürzerer Zeit zu ermöglichen. Dies reduziert u.a. die Notwendigkeit, weitere Strecken mit LKWs zu fahren, um eigene Modelle für den Einsatz im LKW zu generieren und zu trainieren. Dies trägt dann unter anderem zur Nachhaltigkeit bei, weil Energieverbrauch und CO2-Erzeugung reduziert werden.

Umsetzung der KI-Applikation

in erstes Konzept wurde in diesem Quick-Check mit dem Open Source-Pilot-System von Comma.ai als Testsystem verifiziert. In diesem Fall wurden die ursprünglich am PKW erfassten Daten durch Bilder der von Knorr-Bremse gelieferten Kameras und Sensoren ersetzt, die von LKWs erfasst wurden. Diese Daten wurden an die Spezifikationen des ursprünglichen neuronalen Netzwerks angepasst, das in diesem ersten Konzept unverändert blieb. Die Ergebnisse sind, dass das neuronale Netz, obwohl es für einen anderen Fahrzeugtyp trainiert wurde, eine korrelierte Ausgabe in Bezug auf Gaspedaldruck, Bremsdruck und Lenkwinkel bezüglich der bereitgestellten Eingabe liefert.