Synthetische KNN-Trainingsdaten für das Straßenumfeld

Künstliche Neuronale Netze (KNN) auf dem Vormarsch

Die Auswertung großer Mengen an hoch komplexen Messdaten geschieht zunehmend automatisiert mithilfe Künstlicher Neuronaler Netze (KNN). Das Training von KNN geschieht heute oft manuell in einem ineffizienten, fehlerbehafteten Prozess. Synthetische Trainingsdaten machen das Training von KNN effizienter und sicherer. Fraunhofer IPM hat am Bespiel einer Software für die Interpretation von Bildern aus dem Straßenumfeld gezeigt, wie dies möglich ist. Vollautomatisiert werden dabei Straßenszenen erstellt und sowohl in Mess- als auch Trainingsdaten übergeführt. Ein Training mithilfe solcher Daten garantiert hohe Zuverlässigkeit bei enormer Effizienzsteigerung.

Training von KNN – derzeit noch ein teures Unterfangen

Getrieben durch die Bedürfnisse der automatisierten Umgebungsanalyse für das Autonome Fahren ist die Anwendung von KNN als eine Methode der Künstlichen Intelligenz (KI) in den Fokus von Wissenschaft und Industrie gerückt. Das Straßenumfeld ist eine der komplexesten und am stärksten regional variierenden Umgebungen für eine automatisierte Analyse. Für das Training von KNN müssen für jeden regionalen Kontext eigene Trainingsdaten erstellt werden. Im Schnitt sind pro Objektklasse (z. B. Auto, Straße, Gehweg oder Vegetation) mehrere Tausend Aufnahmen pro Region für ein zuverlässiges Training des KNN vonnöten. Zum Erstellen der notwendigen Trainingsdaten werden zunächst mit mobilen Messfahrzeugen Aufnahmen in den relevanten Regionen erstellt. Diese werden dann manuell mit den passenden Objektklassen annotiert. Dabei dauert das Annotieren oder Klassifizieren pro Bild im Schnitt zwanzig bis vierzig Minuten – wertvolle Arbeitszeit. Zuletzt wird das KNN trainiert und bewertet. Nach der Bewertung ist dabei zumeist ein Nachtraining notwendig, wozu weitere Messdaten erzeugt und klassifiziert werden müssen.

Synthetische Trainingsdaten ermöglichen enorme Kostenreduktion

Gelingt es, Trainingsdaten schnell und effizient synthetisch zu erzeugen, so werden aufwändige Messkampagnen überflüssig. Die Annotation durch Menschen entfällt und die Erkenntnisse der Prüfung des KNN können zur Optimierung der synthetischen Generierung der Trainingsdaten verwendet werden. All diese Prozesse erfolgen am PC. Die Kosten für das Training können also enorm reduziert werden. Durch diese Methode ist es also auch möglich, die Erkennbarkeit neuer Objektklassen ohne hohes Kostenrisiko zu testen und so das Potenzial eines KNN für die spezifische Anwendung einfach und schnell abzuschätzen.