Autor: Dr. Eduard Kromer, iNTENCE automotive electronics GmbH<\/p>\n
Begriffe wie K\u00fcnstliche Intelligenz, Machine Learning und Deep Learning sind in aller Munde, auch oder gerade wegen der konkreten Anwendungsf\u00e4lle wie dem autonomen Fahren, der Sprach- und der Gestenerkennung. Was genau hat es damit auf sich und warum gibt es diesen Hype? Und wie funktioniert Machine Learning eigentlich? Was sind interessante Anwendungsf\u00e4lle im Fahrzeug? Werden die M\u00f6glichkeiten \u00fcbersch\u00e4tzt? Werden die Gefahren \u00fcbertrieben dargestellt? „AI is the science and engineering of making intelligent machines.“ Siehe Abb. 1 (PDF<\/a>)<\/p>\n K\u00fcnstliche Intelligenz (KI) ist ein sehr breites Fachgebiet und gleichzeitig ein Oberbegriff f\u00fcr technische Ans\u00e4tze, die sich mit Wahrnehmen, Schlussfolgern, Lernen und Handeln, also dem Menschen zugeschriebenen intelligenten Handlungen besch\u00e4ftigen [2]. Machine Learning (ML) ist eine Teildisziplin der KI und beschreibt Methoden, die Maschinen erm\u00f6glichen, selbst\u00e4ndig Wissen aus Erfahrungen zu generieren, also aus Daten zu lernen, ohne ein formales Regelwerk zu erfordern. Klassische Anwendungen f\u00fcr ML sind Empfehlungssysteme von Amazon \/ Netflix oder E-Mail-Spamfilter. Deep Learning ist wiederum ein Teilgebiet des ML, das sich dadurch auszeichnet, mit Hilfe von tiefen Neuronalen Netzen komplexe Konzepte lernen zu k\u00f6nnen, indem es sich diese aus einfacheren Konzepten heraus aufbaut [3].<\/p>\n ML ist die Wissenschaft und gleichzeitig die Kunst, Computer so zu programmieren, dass sie aus Daten lernen k\u00f6nnen. Dabei unterscheidet man im Kern folgende, sich nicht ausschlie\u00dfende Kategorien von ML-Systemen, siehe [4]:<\/p>\n Wir konzentrieren uns im Folgenden nur auf \u00fcberwachtes und un\u00fcberwachtes Lernen. Beim \u00fcberwachten Lernen wird der ML-Algorithmus mit Trainingsdaten versorgt, die gelabelt sind, f\u00fcr die also bereits eine L\u00f6sung existiert. Dabei versucht der Algorithmus, eine Klassifizierung (Beispiel: Spam oder nicht Spam anhand des E-Mail-Textes und des Absenders) oder eine Regression (Beispiel: Mietpreis anhand von Lage und Alter einer Wohnung) zu erlernen. Beim un\u00fcberwachten Lernen sind die Trainingsdaten nicht mit Labels versehen, und typische Algorithmen aus diesem Bereich versuche,n Cluster in den Daten zu finden (Beispiel: \u00e4hnliche User eines Einkaufsportals) oder hochdimensionale Probleme in einem niedrigdimensionaleren Raum einzubetten.<\/p>\n Siehe Abb. 2 (PDF<\/a>)<\/p>\n Neuronalen Netze (NN) lernen komplexe Konzepte, indem sie sich diese aus einfacheren Konzepten heraus \u00fcber verstecke Schichten (sogenannte hidden layer) und mit Hilfe von gro\u00dfen Trainingsdatens\u00e4tzen aufbauen.<\/p>\n Siehe Abb. 3 (PDF<\/a>)<\/p>\n Bei sogenannten Convolutional Neural Nets (CNNs) l\u00e4sst sich dieser Vorgang am Beispiel von Gesichtserkennung folgenderma\u00dfen visualisieren:<\/p>\n Siehe Abb. 4 (PDF<\/a>)<\/p>\n Beim Training von Neuronalen Netzen mit Daten, die mit Labels versehen sind, flie\u00dft zun\u00e4chst Information in Form eines Inputs von der Inputschicht durch die versteckten Schichten bis zur Outputschicht und resultiert in einem Output (forward propagation). Eine Kostenfunktion bestimmt \u00fcber eine bestimmte Metrik den Abstand zwischen diesem Output und dem echten Label. Der Back-Propagation-Algorithmus erlaubt schlie\u00dflich den R\u00fcckfluss der Information von der Kostenfunktion zur\u00fcck durch das Netzwerk, um den Gradienten der Kostenfunktion berechnen zu k\u00f6nnen. Schlie\u00dflich kann ein Optimierungsalgorithmus, wie der stochastische Gradientenabstieg, diesen Gradienten nutzen, um den n\u00e4chsten Optimierungsschritt zu bestimmen. Dieses Verfahren wird (im Optimalfall) so lange wiederholt, bis man keine numerische Verbesserung mehr erzielt.<\/p>\n Fahrzeugautomatisierung ist aus vielen verschiedenen Gr\u00fcnden notwendig und unvermeidbar. Unter anderem erh\u00f6ht sie die Sicherheit auf den Stra\u00dfen, macht geteilte Mobilit\u00e4t effizienter und g\u00fcnstiger und senkt dadurch das Verkehrsaufkommen. Weiterhin erh\u00f6ht sie den Komfort f\u00fcr die (Mit-)Fahrer und erlaubt diesen, ihre Fahrtzeit sinnvoll zu nutzen.<\/p>\n Moderne Fahrzeuge sind mit zahlreichen Sensoren ausgestattet, und die Anzahl der Sensoren wird auf dem Weg zur Vollautomatisierung weiterwachsen. K\u00fcnstliche Intelligenz ist der Schl\u00fcssel, um Sensordaten der Fahrzeuge und damit den Verkehr in der realen Welt zu verstehen. Dieser ist n\u00e4mlich zu komplex, um ihn \u00fcber ein formales Regelwerk erfassen zu k\u00f6nnen. Damit ist KI der Schl\u00fcssel zum autonomen Fahren.<\/p>\n Auf dem Weg zu den Autonomiestufen 4 (Hochautomatisierung) und 5 (Vollautomatisierung) m\u00fcssen noch Hindernisse \u00fcberwunden werden, aber bereits jetzt, f\u00fcr die Autonomiestufen 2 (Teilautomatisierung) und 3 (Bedingungsautomatisierung), zeigt Deep Learning sein gro\u00dfes Potential. F\u00fcr Sensorik im Auto, die nach au\u00dfen gerichtet ist, k\u00f6nnen Neuronale Netze Verkehrsobjekte (Verkehrsteilnehmer, Verkehrszeichen etc.) und Fahrbahnmarkierungen erkennen und sogar vollst\u00e4ndige Instanz-Segmentierungen vornehmen<\/p>\n Siehe Abb. 5 und 6 (PDF<\/a>)<\/p>\n Dar\u00fcber hinaus sind sie in der Lage, Bewegungen und Bewegungsrichtungen (z.B. von Fu\u00dfg\u00e4ngern) zu erkennen und unterst\u00fctzen dadurch bei der Man\u00f6verplanung.<\/p>\n Zus\u00e4tzlich zu den Informationen \u00fcber das Geschehen au\u00dferhalb des Fahrzeugs kommen Informationen \u00fcber den Fahrer hinzu und erh\u00f6hen so die Sicherheit und gleichzeitig den Komfort des Fahrers. \u00dcber die fr\u00fchzeitige Erkennung des Fahrers bereits vor dem Einsteigen ins Fahrzeug (z.B. \u00fcber Gesichtserkennung mit CNNs) kann das Fahrzeug individuelle, auf den Fahrer angepasste Einstellungen vornehmen. Es k\u00f6nnen z.B. die Sitz-, die Spiegel-, die Klimaanlageneinstellungen und vieles mehr noch vor dem Einsteigen des Fahrers vorgenommen werden, sobald dieser erkannt wurde und sich dem Auto n\u00e4hert. Wenn die Sensorik erkennt, dass der Fahrer sich dem Kofferraum n\u00e4hert und etwas tr\u00e4gt, k\u00f6nnte dieser automatisch ge\u00f6ffnet werden.<\/p>\n Innerhalb des Fahrzeugs sorgen dann Neuronale Netze daf\u00fcr, dass Kopfbewegungen, die Blickrichtung und explizit die Augen des Fahrers erkannt und getrackt werden k\u00f6nnen, um die M\u00fcdigkeit und die Aufmerksamkeit des Fahrers zu erfassen und so die Sicherheit aller Verkehrsteilnehmer zu erh\u00f6hen.<\/p>\n Siehe Abb. 7 (PDF<\/a>)<\/p>\n F\u00fcr die Kommunikation mit dem Fahrzeug sorgen Neuronale Netze in Form von Sprach- und\/oder Gestenerkennung sowohl f\u00fcr ein verbessertes Nutzererlebnis als auch f\u00fcr zus\u00e4tzliche Sicherheit, da der Fahrer sich bei qualitativ hochwertigen L\u00f6sungen in diesem Bereich besser auf den Verkehr konzentrieren kann als bei klassischen Bedienkonzepten.<\/p>\n Schlie\u00dflich kann durch die Sensorik im Auto und die Objekt- und Bewegungserkennung \u00fcber Neuronale Netze ein sicheres Aussteigen des Fahrers am Zielort gew\u00e4hrleistet werden. Fahrradfahrer oder andere Fahrzeuge, die den Fahrer beim Aussteigen gef\u00e4hrden k\u00f6nnten oder selbst gef\u00e4hrdet w\u00e4ren, werden rechtzeitig erkannt, und der Fahrer wird rechtzeitig gewarnt. Trotz der vielen Durchbr\u00fcche im Computer Vision Bereich durch Deep Learning gibt es immer noch viele H\u00fcrden, die \u00fcberwunden werden m\u00fcssen auf dem Weg zu einer K\u00fcnstlichen Intelligenz, die Vollautomatisierung beim Fahrzeug erm\u00f6glichen kann. Neuronale Netze sind sehr problemspezifisch, begehen immer noch Fehler, die Menschen nicht passieren w\u00fcrden, und lassen sich teilweise leicht austricksen.<\/p>\n Siehe Abb. 8 (PDF<\/a>)<\/p>\n Weiterhin brauchen Neuronale Netze deutlich mehr Daten als ein Mensch, um ein bestimmtes Konzept zu lernen. Die Erstellung von gelabelten Datens\u00e4tzen f\u00fcr das Training dieser Netze ist teilweise immer noch sehr aufw\u00e4ndig und erschwert den Fortschritt. AI: Artificial Intelligence<\/p>\n KI: K\u00fcnstliche Intelligenz<\/p>\n ML: Machine Learning<\/p>\n DL: Deep Learning<\/p>\n NN: Neuronales Netz<\/p>\n CNN: Convolutional Neural Net<\/p>\n Abb 1: Differenzierung der Begriffe K\u00fcnstliche Intelligenz \/ Machine Learning \/ Deep Learning; Quelle:\u00a0https:\/\/blogs.nvidia.com\/blog\/2016\/07\/29\/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai\/<\/a><\/p>\n Abb 2: \u00dcberwachtes vs. un\u00fcberwachtes Lernen; Quelle:\u00a0https:\/\/beta.cambridgespark.com\/courses\/jpm\/01-module.html<\/a><\/p>\n Abb 3: Neuronales Netz mit drei versteckten Schichten; Quelle:\u00a0https:\/\/www.rsipvision.com\/exploring-deep-learning\/<\/a><\/p>\n Abb 4: Neuronales Netz lernt, was menschliche Gesichter ausmacht; Quelle:\u00a0https:\/\/wangjieshu.com\/2017\/12\/23\/symbol-vs-connectionism-a-closing-gap-in-artificial-intelligence\/<\/a><\/p>\n Abb 5: Objekterkennung durch Neuronale Netze; Quelle: Fraunhofer IAIS<\/p>\n Abb 6: Instanz-Segmentierung; Quelle:\u00a0https:\/\/bair.berkeley.edu\/blog\/2018\/05\/30\/bdd\/<\/a><\/p>\n Abb 7: Blickrichtungs- und Aufmerksamkeitserkennung mit NNs; Quelle:\u00a0https:\/\/www.i6.in.tum.de\/pub\/Main\/TeachingWs2017ContextPredictionSeminar\/Introduction_Session.pdf<\/a><\/p>\n Abb 8: Toaster Problem; Quelle:\u00a0https:\/\/arxiv.org\/pdf\/1712.09665.pdf<\/a><\/p>\n [1]\u00a0https:\/\/www-formal.stanford.edu\/jmc\/whatisai.pdf<\/a><\/p>\n [2] Stuart Russel and Peter Norvig, Artificial Intelligence \u2013 A Modern Approach, Prentice Hall, 2010<\/p>\n [3]\u00a0https:\/\/www.deeplearningbook.org<\/a><\/p>\n [4] Aur\u00e9lien G\u00e9ron, Hands-On Machine Learning with Scikit-Learn & TensorFlow, O’Reilly, 2017<\/p>\n Herr Dr. Eduard Kromer ist technischer Projektleiter f\u00fcr Deep Learning und K\u00fcnstliche Intelligenz bei der iNTENCE automotive electronics GmbH. Er hat an der Justus-Liebig-Universit\u00e4t Gie\u00dfen in Mathematik promoviert, an der Princeton University geforscht und war Postdoc am Department of Statistics der UC Berkeley. Er bringt jahrelange Erfahrung in maschinellem Lernen mit und zu seinen Interessensgebieten geh\u00f6ren K\u00fcnstliche Intelligenz, Deep Learning und Computer Vision.<\/p>\n Email: e.kromer@intence.de<\/p>\n Beitrag als PDF downloaden<\/a><\/strong><\/p>\n Wollen Sie sich auf den aktuellen Stand der Technik bringen?<\/strong><\/p>\n Dann informieren Sie sich\u00a0hier<\/strong>\u00a0<\/a>zu Schulungen\/ Seminaren\/ Trainings\/ Workshops und individuellen Coachings von MircoConsult zum System- und Hardwareentwicklung.<\/p>\n Training & Coaching zu den weiteren Themen unseren Portfolios finden Sie\u00a0hier<\/a>.<\/strong><\/p>\n Wertvolles Fachwissen zum Thema System- und Hardwareentwicklung steht\u00a0hier<\/strong>\u00a0<\/a>f\u00fcr Sie zum kostenfreien Download bereit.<\/p>\n
\n<\/strong><\/p>\nWas ist K\u00fcnstliche Intelligenz \/ Machine Learning \/ Deep Learning?<\/h2>\n
\nJohn McCarthy [1]<\/em><\/p>\nWie funktioniert Machine Learning \/ Deep Learning?<\/h2>\n
\n
KI-Anwendungsf\u00e4lle im Fahrzeug und Gr\u00fcnde f\u00fcr die Automatisierung<\/h2>\n
\n<\/strong><\/p>\nHindernisse auf dem Weg zur Vollautomatisierung<\/h2>\n
\n<\/strong><\/p>\nAbk\u00fcrzungsverzeichnis<\/h2>\n
Abbildungsverzeichnis<\/h2>\n
Literatur- und Quellenverzeichnis<\/h2>\n
Autor<\/h2>\n
\nUnsere Trainings & Coachings<\/h2>\n
\nFachwissen<\/h2>\n