14.05.2022 11:15 |

Autonomes Fahren

Grazer machen Radarsensoren mittels KI „robuster“

Damit Fahrassistenz- und Sicherheitssysteme moderner Autos ihre Umgebung wahrnehmen und in allen denkbaren Situationen zuverlässig funktionieren, sind sie auf Sensoren wie Kameras, Lidar, Ultraschall und Radar angewiesen. Vor allem letztere sind ein unverzichtbarer Bestandteil: Sie versorgen das Fahrzeug mit Standort- und Geschwindigkeitsinformationen von umliegenden Objekten. Allerdings haben sie es im Verkehrsgeschehen mit zahlreichen Stör- und Umwelteinflüssen zu tun, die die Qualität der Radarmessung negativ beeinflussen. Forschende der TU Graz wollen Radarsensoren daher robuster gegenüber diesen Störeinflüssen machen.

Artikel teilen
Drucken
Kommentare
0

„Je besser das Entrauschen von Störsignalen funktioniert, desto zuverlässiger kann die Position und die Geschwindigkeit von Objekten bestimmt werden“, erklärt Franz Pernkopf vom Institut für Signalverarbeitung und Sprachkommunikation. Gemeinsam mit seinem Team und mit Partnern von Infineon entwickelte er ein KI-System auf Basis neuronaler Netzwerke, das gegenseitige Interferenzen bei Radarsignalen abschwächt und dabei den derzeitigen Stand der Technik bei Weitem übertrifft. Dieses Modell wollen sie nun soweit optimieren, damit es auch abseits gelernter Muster funktioniert und Objekte noch zuverlässiger erkennt.

Intelligente Signalverarbeitung
Die Forschenden haben dafür zunächst Modellarchitekturen zur automatischen Rauschunterdrückung entwickelt, die auf sogenannten gefalteten neuronalen Netzwerken (Convolutional Neural Networks, kurz: CNNs) beruhen. „Diese Architekturen sind der Schichtenhierarchie unseres visuellen Kortex nachempfunden und werden bereits erfolgreich in der Bild- und Signalverarbeitung eingesetzt“, so Pernkopf.

CNNs filtern visuelle Informationen, erkennen Zusammenhänge und vervollständigen das Bild anhand vertrauter Muster. Sie verbrauchen durch ihren Aufbau wesentlich weniger Speicherplatz als andere neuronale Netzwerke, sprengen aber trotzdem die verfügbaren Kapazitäten von Radarsensoren für autonomes Fahren.

Komprimierte KI im Chipformat
Das Ziel lautete also: noch effizienter werden. Das Team der TU Graz trainierte daher verschiedene dieser neuronalen Netzwerke mit verrauschten Daten und gewünschten Ausgangswerten. Dabei identifizierten sie in Experimenten besonders kleine und schnelle Modellarchitekturen, in dem sie den Speicherplatz und die Anzahl an Rechenoperationen analysierten, die es pro Entrauschungsvorgang braucht. Die effizientesten Modelle wurden anschließend erneut komprimiert, indem die Bitbreiten, also die Anzahl der verwendeten Bits zur Speicherung der Modellparameter, reduziert wurden.

Resultat war ein KI-Modell mit hoher Filterleistung bei gleichzeitig geringem Energieverbrauch. Die hervorragenden Entrauschungsergebnisse mit einem F1-Score (Maß für die Genauigkeit eines Tests) von 89 Prozent entsprechen beinahe einer Objekterkennungsrate von ungestörten Radarsignalen. Die Störsignale werden also beinahe gänzlich aus dem Messsignal entfernt.

In Zahlen ausgedrückt: Das Modell erreicht mit einer Bitbreite von 8 Bit die gleiche Performance wie vergleichbare Modelle mit einer Bitbreite von 32 Bit, benötigt aber lediglich 218 Kilobytes Speicherplatz. Das entspricht einer Speicherplatzreduktion von 75 Prozent, womit das Modell den derzeitigen Stand der Technik bei Weitem übertrifft.

Robustheit im Fokus
Pernkopf und sein Team arbeiten nun gemeinsam mit Infineon in den nächsten drei Jahren an der Optimierung ihrer Entwicklung. „Für unsere erfolgreichen Tests nutzten wir ähnliche Daten (Störsignale, Anm.), die wir zum Trainieren verwendet hatten. Wir wollen das Modell nun derart verbessern, dass es auch dann noch funktioniert, wenn das Eingangssignal signifikant von gelernten Mustern abweicht.“ Das würde Radarsensoren um ein Vielfaches robuster gegen Störungen aus der Umgebung machen. Schließlich ist der Sensor auch in der Realität mit verschiedenen, teils auch unbekannten Situationen konfrontiert.

„Bisher reichten schon kleinste Veränderungen der Messdaten aus, dass der Output zusammenbrach und Objekte nicht oder falsch erkannt wurden, was im Anwendungsfall autonomes Fahren verheerend wäre“, so Pernkopf. Für den Realeinsatz ist jedoch noch einiges zu tun. Pernkopf rechnet damit, dass die Technologie in den nächsten Jahren so weit entwickelt sein wird, dass die ersten Radarsensoren damit ausgestattet werden können.

 krone.at
krone.at
Kommentare
Eingeloggt als 
Nicht der richtige User? Logout

Willkommen in unserer Community! Eingehende Beiträge werden geprüft und anschließend veröffentlicht. Bitte achten Sie auf Einhaltung unserer Netiquette und AGB. Für ausführliche Diskussionen steht Ihnen ebenso das krone.at-Forum zur Verfügung.

User-Beiträge geben nicht notwendigerweise die Meinung des Betreibers/der Redaktion bzw. von Krone Multimedia (KMM) wieder. In diesem Sinne distanziert sich die Redaktion/der Betreiber von den Inhalten in diesem Diskussionsforum. KMM behält sich insbesondere vor, gegen geltendes Recht verstoßende, den guten Sitten oder der Netiquette widersprechende bzw. dem Ansehen von KMM zuwiderlaufende Beiträge zu löschen, diesbezüglichen Schadenersatz gegenüber dem betreffenden User geltend zu machen, die Nutzer-Daten zu Zwecken der Rechtsverfolgung zu verwenden und strafrechtlich relevante Beiträge zur Anzeige zu bringen (siehe auch AGB).

Samstag, 28. Mai 2022
Wetter Symbol