Machine Learning, Klassifikation und Situationsverstehen

Am Institut für Mess-, Regel- und Mikrotechnik werden Methoden des maschinellen Lernens unter anderem für Situationsverstehen, Klassifizierung und Situationsprädiktion verwendet. Hierbei werden aus Beobachtungen der Realität mit Hilfe statistischer Lernverfahren Muster und Gesetzmäßigkeiten gefunden.

Ansprechpartner

Prof. Dr.-Ing. Klaus Dietmayer
Raum: 41.2.222
Telefon: +49 (0)731 50 26302
E-Mail | Homepage

Klassifikation und Situationsverstehen

Für ein intelligentes und strategisch sinnvolles Fahren ist die Klassifikation sämtlicher Objekte des aktuellen Fahrzeugumfelds notwendig. Ein dafür geeignetes Verfahren ist das Scene Labeling. Dabei wird ein Bild in mehrere Objektklassen eingeteilt, welche dem Verständnis der Szene dienen. Jedem Pixel im Eingangsbild wird eine a-posteriori Wahrscheinlichkeit der jeweiligen Klasse mittels einem trainierten neuronalen Faltungsnetz zugewiesen. Das Netz wurde dazu mit einem Backpropagation-Algorithmus mithilfe manuell gelabelter Bilder trainiert. Nachbarschaftsbeziehungen der Pixel werden verwendet, um die Klasse zu bestimmen. Zur Bestimmung der Label wurden am Institut für Mess-, Regel- und Mikrotechnik parallele Algorithmen, welche auf einer GPU umgesetzt wurden, entwickelt.

Beispielergebnis eines Scenelabelings. Das ursprüngliche Graustufenbild wurde pixelgenau in 4 Kategorien klassifiziert.

Situationsprädiktion

Die Situationsprädiktion zielt auf die Vorhersage einer zukünftigen Szenenentwicklung ab. Da die zukünftige Entwicklung eine Vielzahl von Ausprägungen haben kann, geschieht die Prädiktion probabilistisch. Es wird die Wahrscheinlichkeit einer Fortentwicklung basierend auf einer bekannten Vergangenheit bestimmt.

Ein Beispiel eines am Institut erforschten Verfahrens ist das Variational Bayesian Bernoulli Gaussian Mixture Model (VBBGMM). Dieses ist in der Lage, mit Hilfe von Trainingsdaten die Klassifikationsvorschrift selbständig zu erlernen. Das dadurch beschriebene Wahrscheinlichkeitsmodell erlaubt die Integration von A-priori-Wissen. Hierdurch lässt sich das Modell zu einem späteren Zeitpunkt durch die Integration weiterer Trainingsdaten adaptieren und zwar ohne eine konsistente Speicherung der vorhergehenden Daten.

Relationale Darstellung der Variablen eines Variational Bayesian Bernoulli Gaussian Mixture Models