Definition Was ist AWS DeepRacer?

Autor / Redakteur: Dipl.-Ing. (FH) Stefan Luber / Nico Litzel

Mit dem AWS DeepRacer bietet Amazon eine unterhaltsame Einstiegsmöglichkeit in das Machine Learning und Reinforcement Learning. Es lassen sich Machine-Learning-Modelle erstellen, trainieren und optimieren, die anschließend in Form eines KI-gestützten Rennsimulators an virtuellen Rennen teilnehmen können. Durch den Einsatz des Hardware-basierten autonomen DeepRacer-Modellautos sind Rennen auf echten Strecken möglich.

Firma zum Thema

(Bild: © aga7ta - stock.adobe.com)

AWS DeepRacer ist der Name eines von Amazon angebotenen und als Amazon Web Service betriebenen KI-gestützten Rennsimulators. Unter dem gleichen Namen DeepRacer ist auch ein autonomer Rennwagen im Maßstab 1:18 erhältlich, der für Rennen auf echten physischen Strecken eingesetzt werden kann.

AWS DeepRacer ist als schneller, einfacher und unterhaltsamer Einstieg für Entwickler in das Machine Learning in Form des Reinforcement Learnings (bestärkendes Lernen) gedacht. Von Amazon bereitgestellte Tutorials und Beispiele sollen den Entwicklern den Einstieg in das Reinforcement Learning erleichtern.

Das bestärkende Lernen benötigt keine Trainingsdaten, sondert basiert auf der Trial-and-Error-Methode und Belohnungen. Mit dem AWS DeepRacer lassen sich Machine-Learning-Modelle in Form von virtuellen Fahrzeugen und Rennstrecken erstellen, trainieren und optimieren. Diese Modelle können anschließend an virtuellen Rennen teilnehmen oder auf den Hardware-basierten DeepRacer geladen werden. Das autonome Fahrzeug ist in der Lage, an echten physischen Rennen teilnehmen.

Der DeepRacer-Rennwagen verfügt über Videokameras, Sensoren, lokalen Speicher und lokale Rechenleistung und führt die Inferenz lokal aus. Mit der AWS DeepRacer League existiert eine weltweite Rennliga, in der die besten Teilnehmer Preise gewinnen können. Amazon organisiert den AWS DeepRacer Championship Cup und Renn-Events. Das Pricing für das Trainieren, Evaluieren, Optimieren und Speichern von DeepRacer-Modellen ist nutzungsabhängig. Die Kosten berechnen sich nach Trainingsstunden und Speicherplatz. Der autonome Rennwagen kann bei Amazon zu einem einmaligen Preis erworben werden. Für den Einstieg in den Service stehen im ersten Monat der Nutzung zehn Trainingsstunden und fünf Gigabyte Speicherplatz als kostenloses Kontingent zur Verfügung.

Grundsätzliches zum Reinforcement Learning

Um die Funktionsweise des virtuellen Rennsimulators und des autonomen Rennwagens DeepRacer besser zu verstehen, zunächst einige grundlegende Informationen zum Reinforcement Learning, auch bestärkendes oder verstärkendes Lernen genannt. Das Reinforcement Learning zählt neben dem überwachten und dem unüberwachten Lernen zu den grundlegenden Lernmethoden des Machine Learnings. Um ein Machine-Learning-Modell zu trainieren, sind keine umfangreichen Trainingsdaten notwendig. Das Modell findet durch das Trial-and-Error-Verfahren und für durchgeführte Aktionen erhaltene Belohnungen eigenständig Lösungen für eine gestellte Aufgabe. Die für das Reinforcement Learning angewandten Algorithmen versuchen in vielen verschiedenen Simulationsdurchläufen und durch das Verändern des Verhaltens des Agenten in der Simulationsumgebung die Belohnungen zu maximieren. Es entstehen Folgen von Aktionen und Strategien, um die Aufgabenstellung bestmöglich zu lösen. Abgebildet werden die Lernergebnisse in Künstlichen Neuronalen Netzwerken (KNNs).

Funktionsweise und Nutzung des AWS DeepRacers

Nach der Anlage der benötigten Cloud-Ressourcen und der einmaligen Konfiguration des AWS DeepRacer Service über die Managementkonsole lässt sich zunächst in einer Art virtuellen Garage ein Fahrzeug aussuchen und konfigurieren. Der Anwender kann ein von Amazon vorkonfiguriertes Fahrzeug verwenden oder eigene Fahrzeuge mit spezifischen Konfigurationen anlegen. Beispielsweise lassen sich die Art der verwendeten Sensoren festlegen oder der Bewegungsumfang des Fahrzeugs anpassen. Dieses Fahrzeug bildet zusammen mit einer ausgewählten Rennstrecke, dem Renntyp (zum Beispiel Zeitrennen oder Objektvermeidung) und dem Belohnungsschema das Machine-Learning-Modell. Es wird trainiert, um das gewünschte Fahrverhalten zu erlernen.

Für diese Trainings hat das Belohnungsschema entscheidende Bedeutung. Belohnungen werden über verschiedene verfügbare Parameter beispielsweise auf Basis der Entfernung zur Streckenmitte, der zurückgelegten Wegstrecke oder der erzielten Geschwindigkeit ermittelt. Die zeitliche Länge des Trainings hat Einfluss auf das Trainingsergebnis und bestimmt die anfallenden Kosten. Während des Trainings versucht das Fahrzeug gemäß dem Belohnungsschema das bestmögliche Ergebnis für die ausgewählte Strecke und den Renntyp zu erzielen. Durch Verfeinern der Parameter und erneutes Trainieren lassen sich die Ergebnisse optimieren.

Nach beendetem Training kann das Modell an einem virtuellen Rennen teilnehmen oder auf den autonomen AWS DeepRacer geladen werden und bei einem echten physischen Rennen an den Start gehen. Ist das Modell auf einen DeepRacer-Rennwagen geladen, führt dieser die Inferenz lokal aus und agiert autonom. Er benötigt keine Internetverbindung.

Die DeepRacer-Hardware

Der DeepRacer-Rennwagen ist im Maßstab 1:18 konstruiert und in der neuesten Generation in einer überarbeiteten Hardwareversion als AWS DeepRacer Evo erhältlich. Der allradangetriebene autonome Rennwagen ist mit Stereokamera und LiDAR-Sensoren ausgestattet. Die Kamera hat eine Auflösung von vier Megapixel. Der Abtastradius des 360-Grad-LIDAR-Sensors beträgt zwölf Meter. Weitere Sensoren sind integrierte Beschleunigungsmesser und Gyroskop.

Das Herzstück des Rennwagens bilden ein Intel-Atom-Prozessor und vier Gigabyte Arbeitsspeicher. Die Speicherkapazität des DeepRacers beträgt 32 Gigabyte und ist erweiterbar. Für die drahtlose Kommunikation ist WLAN 802.11ac integriert. Zudem sind vier USB-A-, ein USB-C-, ein Micro-USB- und ein HDMI-Port vorhanden. Als Betriebssystem ist Ubuntu 16.04.3 LTS vorgesehen. Die Energieversorgung übernehmen Akkus in Form einer Antriebsbatterie mit 7,4 Volt und 1.100 Milliamperestunden und einer Verarbeitungsbatterie mit 13.600 Milliamperestunden.

(ID:47553955)

Über den Autor