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 Transferlernen angewandt werden kann, werden immer noch große Datenmengen benötigt.

Lösungsidee 

Um den Labelingprozess zeit- und kostentechnisch effizienter zu gestalten, soll ein automatisches Pre-Labeling-System 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 KI-Modelle trainiert werden, mit welchen sich zuverlässige Ergebnisse für das Labeling von bestimmten Situationen bzw. Objekten, wie z. B. Brücken, erzielen lassen.

Nutzen

Ein solches System hat das 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 kann ein verlässlicher „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 erkennen kann.