Suchen

Forschungsarbeit von ARRK Framework sorgt für sichere Fußgängererkennung

| Autor / Redakteur: Martin Hensel / Nico Litzel

Im Rahmen eines Forschungsprojekts hat sich ARRK Engineering mit den Grundlagen eines Frameworks befasst, das die Erkennungsfähigkeiten moderner Fahrassistenzsysteme optimieren soll.

Firmen zum Thema

Eine automatische Bilderkennung kann Objekte – wie etwa Personen – nur mit einer gewissen Wahrscheinlichkeit erkennen. Fehler bei der Objekterkennung stellen ein großes Sicherheitsrisiko beim autonomen Fahren dar.
Eine automatische Bilderkennung kann Objekte – wie etwa Personen – nur mit einer gewissen Wahrscheinlichkeit erkennen. Fehler bei der Objekterkennung stellen ein großes Sicherheitsrisiko beim autonomen Fahren dar.
(Bild: ARRK Engineering)

Effizientere Hardware und leistungsfähige Sensoren sorgen in der Automobilindustrie dafür, dass Fahrassistenzsysteme („Advanced Driver Assistance System“, ADAS) immer fortschrittlicher werden. Speziell in Hinblick auf das autonome Fahren bedarf dabei auch die Erkennungsrate bei der automatischen Bildverarbeitung einer Optimierung, um schnell zu reagieren und Fehler zu minimieren.

Mit diesem Thema hat sich ARRK Engineering ausgiebig in einem Forschungsprojekt befasst. Im Zentrum stand dabei die Entwicklung eines Evaluierungs-Frameworks für maschinelles Lernen. Es soll einen tieferen Einblick in den Erkennungsprozess neuronaler Netze gestatten und in der Folge für optimierte Algorithmen und verbesserte automatische Objekterkennung sorgen.

„Erst wenn wir neuronale Netzwerke bis ins kleinste Detail verstanden haben, ist die Entwicklung von optimalen Sicherheitsmaßnahmen für das autonome Fahren realisierbar. Die allgemeinen Rahmenbedingungen dafür werden durch die ISO 26262 und ISO/PAS 21448 vorgegeben – besonders wichtig sind hier etwa einheitliche Entwicklungsprozesse und Evaluierungsmetriken“, erklärt Václav Diviš, Senior Engineer ADAS & Autonomous Driving.

Datensatz intelligent erweitert

Das Framework basiert auf einer GAN-Architektur („Generative Adversarial Networks“) aus zwei neuronalen Netzen, die je einen Generator und einen Diskriminator bilden. Als Datensatz kamen über 1.000 Fotos von Fußgängern zum Einsatz. Der Generator erstellte auf dieser Basis zusätzliche Bilder, deren Qualität vom Diskriminator überprüft wurde. Diese Interaktion des neuronalen Netzwerks ermöglichte die Extraktion der Merkmale des Datensatzes und dessen Erweiterung. Im nächsten Schritt wurde dann das Klassifizierungsnetz trainiert und die Testergebnisse evaluiert.

„Eine Herausforderung bei der automatischen Bildverarbeitung besteht in der Generalisierung des zu erkennenden Objekts. Die grundlegende Frage ist: Was definiert einen Fußgänger?“, erläutert Diviš. „Dies stellt für uns Menschen kein Problem dar, denn wir können induktiv von Einzelfällen auf die Allgemeinheit schließen. Ein neuronales Netzwerk arbeitet allerdings deduktiv und braucht zahlreiche Beispiele, um auf ein konkretes Bild zu schließen“, ergänzt er. Dies gelte insbesondere bei Spezialfällen, die beispielsweise durch ungünstige Lichtverhältnisse, ungewöhnliche Körperhaltungen oder Verdeckungen entstehen. Im konkreten Beispiel konnte der Datensatz durch die generierten Bilder entsprechend ergänzt und somit die Probleme entschärft werden.

Objekterkennung optimiert

Anschließend folgten Tests, um die Prozesse hinter dem Training des Convolutional Neuronal Network (CNN) zu verstehen. Im Mittelpunkt standen dabei besonders das Filtern der Objektmerkmale und Bildbereiche mit interessanten Inhalten („Regions of Interest“, RoI). „Manche Neuronen beteiligen sich stärker an der Identifikation von Fußgängern als andere – und sind treffsicherer. Daher haben wir diverse Szenarien getestet, in denen wir gezielt einzelne Neuronen ausgeschaltet haben, um zu sehen, wie sie die Entscheidungsfindung beeinflussen. Dabei wurde bestätigt, dass nicht jedes Neuron zur Erkennung eines Fußgängers aktiviert werden muss und dies sogar zu einem schnelleren und besseren Ergebnis führen kann“, fasst Diviš zusammen. Derartige Veränderungen konnte ARRK mittels des selbstentwickelten Frameworks analysieren.

Laut den Experten führt dieses Verfahren zu einer höheren Stabilität der Algorithmen und damit langfristig zu einer Verbesserung autonomer Fahrsysteme. Zudem sind Vorkehrungen zum Schutz vor sogenannten Adversary Attacks möglich. Dabei handelt es sich um Angriffe auf das neuronale Netz, die sich als neutrale Bilder tarnen. Dies macht eine logische Objekterkennung unmöglich. Werden inaktive Neuronen entfernt, lassen sich laut ARRK die Auswirkungen solcher Attacken minimieren. „Es wird uns aber nie möglich sein, eine absolut korrekte Objekterkennung zu garantieren“, so Diviš. „Unser Ziel in der Automobilbranche muss darin bestehen, die Schwachstellen neuronaler Netzwerke zu erkennen und besser zu verstehen. Nur so können wir effiziente Gegenmaßnahmen einleiten und die größtmögliche Sicherheit gewährleisten“, betont er.

(ID:46327824)