Sichere Erkennung von Fußgängern: Framework unterstützt die Analyse neuronaler Netzwerke

Automatische Objektidentifikation und Bildverarbeitung für autonomes Fahren.

Forschungsarbeit bildet Grundlage zur Erhöhung der Sicherheit im Straßenverkehr.

Foto: ARRK Engineering

Die Technik für künstliche Intelligenz (KI) und Convolutional Neuronal Networks (CNN) ist weit fortgeschritten und ermöglicht bereits die automatische Erkennung unterschiedlicher Objekte. Dennoch können fehlerhafte Klassifikationen nie völlig ausgeschlossen werden, weswegen die Zuverlässigkeit automatischer Prozesse bei der Bildverarbeitung weiterhin optimiert werden muss. Da gerade im Bereich des autonomen Fahrens Menschenleben auf dem Spiel stehen, ist eine korrekte Identifikation von Objekten essenziell. Hierfür wird aber ein tieferes Verständnis der Entscheidungsfindung innerhalb der neuronalen Netzwerke notwendig. Nur so können Fehler bei der Klassifikation auf ein Minimum reduziert und die Sicherheitsvorgaben der ISO 26262 und ISO/PAS 21448 – beispielsweise die Minimierung unbekannter oder unsicherer Szenarien – eingehalten werden. Daher hat ARRK Engineering im Rahmen einer Forschungsarbeit Grundlagen für ein Framework entwickelt, um die Funktionsweise von CNNs besser zu verstehen und letztendlich die Objekterkennung sicherer zu gestalten. Mithilfe dieses Frameworks lassen sich die Schwachstellen eines CNN einfach identifizieren und nachträglich beheben. Somit wird das Fehler- und Unfallrisiko aufgrund falscher Klassifikationen verringert.

 

In der Automobilindustrie wird auf der Suche nach besseren Fahrerassistenzsystemen (Advanced Driver Assistance System – kurz: ADAS) die Forschung stark vorangetrieben – etwa durch neue Hardware mit effizienteren und robusteren Sensoren oder durch leistungsfähigere Algorithmen. In diesem Zuge muss auch die Erkennungsrate bei der automatischen Bildverarbeitung stets bedacht werden. »Zentral für das autonome Fahren ist, dass die Algorithmen für die Objekterkennung schnell arbeiten und eine minimale Fehlerquote aufweisen«, erklärt Václav Diviš, Senior Engineer ADAS & Autonomous Driving bei ARRK Engineering. »Aber 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.« Um diesem Ziel ein Stück näher zu kommen, hat ARRK Engineering im Rahmen einer Forschungsarbeit ein Evaluierungs-Framework für maschinelles Lernen entwickelt. Dabei handelt es sich um eine Software, mit deren Hilfe ein tieferer Einblick in den Erkennungsprozess der neuronalen Netze ermöglicht wird. Darauf aufbauend können Algorithmen optimiert und die automatische Objekterkennung verbessert werden. Das Experiment diente auch insgesamt dem tieferen Verständnis der Wirkungsweise neuronaler Netzwerke.

 

Anzeige

Anlernen des neuronalen Netzes

In einem ersten Schritt wurde als Grundlage für das Framework eine zuverlässige GAN-Architektur (Generative Adversarial Networks) aus zwei neuronalen Netzwerken – einem Generator und einem Diskriminator – zur Ergänzung des Datensatzes ausgewählt. Der verwendete Datensatz bestand in dieser Phase zunächst aus etwas über 1.000 Bildern von Fußgängern. »Um den Datensatz zu erweitern, wurden mithilfe des GAN zusätzliche Bilder erzeugt«, erklärt Diviš. »Dafür erstellte der Generator des GAN aufgrund der bisherigen Daten ein Bild und der Diskriminator überprüfte dessen Qualität. Durch die Interaktion des neuronalen Netzwerks konnten wir die Merkmale des ursprünglichen Datensatzes extrahieren und den Datensatz ohne besonderen Aufwand erweitern.« Als nächstes wurde das Klassifizierungsnetz trainiert und die Testergebnisse evaluiert. Um die bestmöglichen Ergebnisse zu erzielen, verwendete ARRK für alle Elemente dieses Experiments modernste Architekturen.

»Eine Herausforderung bei der automatischen Bildverarbeitung besteht in der Generalisierung des zu erkennenden Objekts. Die grundlegende Frage ist: Was definiert einen Fußgänger?«, so 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.« Besonders beobachtet werden müssen dabei auch sogenannte Corner Cases. Dies sind Spezialfälle, in denen Fußgänger nicht erkannt werden – etwa aufgrund ungünstiger Lichtverhältnisse durch seltene Wetterbedingungen oder beispielsweise aufgrund ungewöhnlicher Körperhaltungen oder problematischer Verdeckungen im Bild. Zur Klassifikation dieser Ausnahmen fehlt üblicherweise passendes Bildmaterial im Datensatz. Aber mithilfe der zuvor errichteten GAN-Struktur gelang es ARRK, den Datensatz durch computergenerierte Bilder zu ergänzen und diese Probleme zu minimieren.

GAN-Training. Grafik ARRK Engineering

Anzeige

 

Optimierung von Prozessen zur Objekterkennung

Anschließend begann ARRK mit umfangreichen Tests, deren zentrales Ziel ein tieferes Verständnis der Prozesse hinter dem CNN-Training war. Besonders im Fokus standen hierbei das Filtern der Objektmerkmale und auch die Regions of Interest (RoI), die den untersuchten Bildbereich mit interessanten Merkmalen darstellen. Das Entstehen dieser Kernelgewichte und die daraus resultierenden RoI sind essenziell für optimierte Evaluierungsmetriken und somit die automatisierte Objekterkennung. Im Rahmen dieser Analysen untersuchten die Experten zahlreiche Prozesse, die in neuronalen Netzwerken auftreten und analysierten Ansätze, um den Informationsfluss der Neuronen zu optimieren. »Manche Neuronen beteiligen sich stärker an der Identifikation von Fußgängern als andere – und sind treffsicherer«, erklärt Diviš. »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.« Solche Veränderungen konnten mithilfe des entwickelten Frameworks analysiert werden.

Auf diese Weise lässt sich langfristig die Stabilität der Algorithmen erhöhen, was zu einer Verbesserung der Sicherheit des autonomen Fahrens führen wird. Es könnten beispielsweise Vorkehrungen ergriffen werden, um das Risiko durch eine sogenannte Adversary Attack zu reduzieren. Dabei handelt es sich um einen externen Angriff auf das neuronale Netz mit einem Schadcode, der sich als scheinbar neutrales Bild tarnt. Dieser Code erzeugt eine Störung und beeinflusst die Entscheidung der einzelnen Neuronen, sodass keine logisch korrekte Objekterkennung mehr möglich ist. Die Entfernung inaktiver Neuronen könnte die Auswirkungen von solchen externen Störfaktoren reduzieren, da das neuronale Netzwerk einen geringeren Angriffsraum bietet. »Es wird uns aber nie möglich sein, eine absolut korrekte Objekterkennung zu garantieren«, resümiert 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.« Durch die Auswertung und Fusionierung verschiedener Sensordaten – beispielsweise von Kameras, Lidar oder Radar – kann die Objekterkennung zusätzlich enorm verbessert werden.

 

www.arrk-engineering.com

 

Was sind die ISO 26262 und die ISO/PAS 21448?

Bei der ISO 26262 handelt es sich um eine Norm für die Automobilindustrie in Bezug auf die funktionale Sicherheit. Sie unterteilt die Maßnahmen zum potenziellen Risiko von Fahrzeugfunktionen in sogenannte »Automotive Safety Integrity Levels« – kurz ASIL. Diese 5-stufige Skala (QM, A, B, C, D) definiert unterschiedliche Prozessanforderungen für die Entwicklung des Produkts: Bei ASIL QM ist eine »übliche Qualitätssicherung« durch beispielsweise einen eingesetzten Entwicklungsprozess ausreichend, während bereits ab ASIL A zusätzliche Maßnahmen zur Risikominderung mithilfe von Überwachungsdiagnosen und Plausibilitätsfunktionen ergriffen werden müssen. Die ASIL D beschreibt das Produkt mit dem höchsten Risikopotenzial und damit mit den höchsten Sicherheitsanforderungen.

Die ISO/PAS 21448 enthält ergänzende Leitlinien für die Design-, Verifikations- und Validierungsmaßnahmen beim autonomen Fahren, die zur Erreichung der sogenannten Safety of the Intended Functionality (SOTIF) erforderlich sind. Dabei steht besonders die korrekte Wahrnehmung von komplexen Sensoren und den dazugehörigen Prozessalgorithmen im Vordergrund.

 

ARRK Engineering ist Teil des internationalen ARRK Firmenverbundes und spezialisiert auf sämtliche Leistungen rund um die Produktentwicklung. Mithilfe unserer Kompetenzen in Elektronik & Software, CAE, Material, Akustik, Composite, Karosserie, Antrieb, Fahrwerk, Interieur & Exterieur, Optische Systeme, Passive Sicherheit und Thermomanagement entwickeln wir als langjähriger strategischer Entwicklungspartner für unsere Kunden ganzheitlich und eigenverantwortlich Produkte. Zusammen mit unseren ARRK Schwesterunternehmen setzen wir Produktentwicklungen von der virtuellen Entwicklung bis hin zum Prototypen und der Produktion in Kleinserien um. Die Standorte der weltweit tätigen ARRK Engineering Division liegen in Deutschland, Rumänien, UK, Japan und China. Das Headquarter der Engineering Division ist die P+Z Engineering GmbH in Deutschland; ARRK Engineering beschäftigt über 1.200 Mitarbeiter.

 

61 Artikel zu „neuronale Netze“

Wie sich Machine Learning und künstliche Intelligenz im Laufe der Zeit (nicht) verändert haben

Machine Learning, künstliche Intelligenz, Data Science, Data Mining, … Diese Begriffe haben sich im Laufe der Jahre gewandelt, aber wie viel ist wirklich neu und was gibt es eigentlich schon seit Jahrzehnten? Wird es maschinelles Lernen in 20 Jahren noch geben oder ist der Boom eines Tages einfach vorbei? Wo stehen wir aktuell in der…

Warum immer mehr Unternehmen in KI investieren (sollten)

Von Industrie 4.0 über Internet of Things bis hin zu Business Process Transformation also die Umgestaltung der Geschäftsprozesse – die Digitalisierung hat viele Facetten. Künstliche Intelligenz spielt dabei in allen Bereichen eine wesentliche Rolle. Sie ist in der Lage, Abläufe effizienter zu gestalten, Abweichungen zu erkennen, bevor sie womöglich Schaden anrichten, oder relevanten Daten für…

Künstliche Intelligenz und Automatisierung: Ohne Menschen geht es trotzdem nicht

Studie: Automatisierung und KI im Rechnungswesen und Controlling – was erwarten mittelständische Unternehmen?   Automatisierung und künstliche Intelligenz (KI) revolutionieren den kaufmännischen Bereich. Prozesse, Aufgaben und Rollenbilder – alles ist im Wandel. Welche Auswirkungen hat das für den Mittelstand und Organisationen? Antworten und Denkanstöße auf diese Frage liefert die Studie »Wer wollen wir sein –…

Diese fünf KI-Trends werden das Jahr 2020 prägen

Das Thema künstliche Intelligenz wird die Unternehmen auch im nächsten Jahr wieder beschäftigen. Die IntraFind Software AG, ein Search-Spezialist, der für seine Lösungen auch KI und modernste Machine-Learning-Verfahren nutzt, sieht dabei fünf zentrale Entwicklungen:   Echter Mehrwert von KI wird genutzt. Nach Jahren des KI-Hypes kehrt in das Thema nun langsam Vernunft ein. Immer mehr…

Für die digitale Aufholjagd braucht es mehr als den E-Motor

Im Kanzleramt haben Politik und Automobilbranche am 4. November zusammen einen Gang hochgeschaltet, um die Elektromobilität voranzutreiben. Mit dem Fokus auf die umweltfreundlichere Antriebstechnik wird die deutsche Schlüsselindustrie jedoch nicht zur starken Konkurrenz aufschließen. Denn diese fährt auch datengetrieben schon voraus – wenn auch noch in Sichtweite. Deutschland ist ein Autoland. Traditionell bildet die Automobilindustrie…

Der Bot: KI ist die Zukunft des Energiehandels

Künstliche Intelligenz ist eine der meistdiskutierten Trends in der Energiebranche. Sie wurde bereits für unterschiedliche Anwendungen implementiert: Von der Optimierung der Netzleistung über die Steigerung der Energieeffizienz von Gebäuden bis hin zur präventiven Wartung, um Ausfälle zu vermeiden, noch bevor sie auftreten. Aber ist KI im Energiehandel wirklich notwendig?   Bislang waren Energiehändler mit aus…

Mehrwert durch künstliche Intelligenz – KI kann man nicht kaufen

Künstliche Intelligenz ist eines der meistgenutzten Buzzwords unserer Zeit und viele schwärmen von den Möglichkeiten und Potenzialen, die sich daraus ergeben. Im Alltag vieler Unternehmen weiß man damit aber noch nicht so recht etwas anzufangen. Roland Abele, Geschäftsführer der Max-Con Data Science GmbH, einem Unternehmen der Cosmo Consult Gruppe, klärt auf.

Künstliche Intelligenz betrifft alle Lebensbereiche

Im Wissenschaftsjahr 2019 dreht sich alles um das Thema künstliche Intelligenz – in der kommenden Woche wird es offiziell in Berlin eröffnet. Am Karlsruher Institut für Technologie (KIT) wird zu diesem wichtigen Zukunftsthema intensiv geforscht: »Lernende Systeme und künstliche Intelligenz bedeuten eine Umwälzung, auf die wir uns als Gesellschaft vorbereiten müssen«, sagt der Präsident des…

Die Macht der Algorithmen: So hilft maschinelles Lernen in der modernen IT-Sicherheit

Artificial Intelligence, zu Deutsch künstliche Intelligenz (KI), hat sich zum Hypebegriff entwickelt und es scheint fast so, als wären alle IT-Lösungen über Nacht intelligent geworden. KI wird als Antriebsfeder der digitalen Transformation betrachtet, doch steckt sie in ihren Anwendungsbereichen noch in den Kinderschuhen. Im Prinzip geht es darum, menschliche Entscheidungsstrukturen mit Hilfe eines Computers nachzubauen,…

Die Autobranche gibt bei künstlicher Intelligenz Gas – und sollte weiter hochschalten

Künstliche Intelligenz (KI) wird bis 2030 dazu beitragen, dass die Weltwirtschaft wächst. Durchschnittlich könnte so das globale Bruttoinlandsprodukt (BIP) um 1,2 Prozentpunkte im Jahr steigen, was in Summe einer Wertschöpfung von 13 Billionen US-Dollar entsprechen würde. Diesen Wachstumsschub hat das McKinsey Global Institute (MGI) in seiner Studie »Notes from the Frontier: Modeling Impact of AI…

10 Thesen zu künstlicher Intelligenz und Cybersicherheit im Jahr 2019

  Die Auswirkung von Systemen auf Basis künstlicher Intelligenz auf das alltägliche Leben, die Wirtschaft und die Gesellschaft werden aktuell heiß debattiert. Eine wichtige Rolle spielt dabei auch die Debatte, welche Folgen die aktuellen Entwicklungen im Bereich AI & ML (Artficial Intelligence & Machine Learning) für die Cybersicherheit haben werden. Auf der eine Seite stehen…

Künstliche Intelligenz kann wichtigen Beitrag zur Cybersicherheit leisten

Die heutigen IT-Architekturen unserer IT-Systeme, wie Endgeräte, Server, IoT-Geräte und Netzkomponenten sind zunehmend und sich stetig wandelnden Angriffs- und Bedrohungsszenarien ausgesetzt. Die Anforderungen im Bereich Cybersecurity steigen. »Der Schaden im Bereich IT-/Cybersicherheit ist mit 55 Milliarden Euro im Jahr in Deutschland jetzt schon zu groß, wächst aber kontinuierlich weiter. Wir müssen uns auf die hohen…

Aus der Vergangenheit lernen: Was uns Röntgenstrahlen über künstliche Intelligenz lehren

Die Entdeckung der Röntgenstrahlen war vermutlich der entscheidende Moment, in dem sich Medizin und Physik erstmals begegneten. Für Doktoren und Physiker in aller Welt war es die perfekte Verbindung schlechthin. Daraus entstanden eine neue Industrie und ein innovatives medizinisches Fachgebiet: die Radiologie – dank Wilhelm Röntgen. Heutzutage stehen die Radiologen in der ersten Reihe im…