Technische Anforderungen an eine Hardware zum Training von Deep-Learning-Algorithmen für die Entwicklung autonomer Fahrzeuge

Masterarbeit aus dem Jahr 2021 im Fachbereich Informatik - Angewandte Informatik, Note: 1,6, Hochschule der Medien Stuttgart, Sprache: Deutsch, Abstract: Ziel der Masterarbeit ist die Ausarbeitung von technischen Anforderungen an eine Hardware, die für solche Deep-Learning-Algorithmen benötigt wird. Abgeschlossen wird die Arbeit mit einer Zusammenfassung, einem Fazit und einem Ausblick.
Im theoretischen Teil der Arbeit wird der Stand der Forschung, die aktuellen Herausforderungen bei der Entwicklung autonomer Fahrzeuge sowie die technischen Hintergründe einer dafür notwendigen Hardware beschrieben. Der praktische Teil besteht aus dem Training und der Implementierung eines Systems zur Erkennung von Geschwindigkeitsbegrenzungen für den Open Source Simulator CAR Learning to Act (CARLA).
Vor dem Hintergrund der Digitalisierung stellt der Einsatz von Künstlicher Intelligenz einen zentralen Erfolgsfaktor in nahezu jeder Branche dar. Maschinelles Lernen ist hierbei ein Teilaspekt, wobei für das Training eines solchen KI-Modells große Datenmengen benötigt werden. Diese Datenmengen müssen entsprechend aufbereitet und verwaltet werden, um sie zu analysieren und für KI-Algorithmen verwendbar zu machen. Die Entwicklung autonomer Fahrzeuge wird insbesondere durch den Einsatz solcher KI-Modelle vorangetrieben, wobei die Hardware dabei eine zentrale Rolle spielt. Um einen Beitrag zu dieser Forschung zu leisten, wurde in dieser Masterarbeit in einem realistischen Fahrsimulator ein System integriert, das in der Lage ist, die Geschwindigkeitsverkehrszeichen der Straße zu erkennen und bei einer Geschwindigkeitsüberschreitung den Fahrer darauf aufmerksam zu machen. Der in dieser Arbeit verwendete Simulator ist der CAR Learning to Act (CARLA), ein Open-Source-Simulator für autonome Fahrzeuge. Um Verkehrszeichen zu erkennen, wurde ein Algorithmus zur Objekterkennung verwendet: der You Only Look Once (Yolo)-Algorithmus. Dieser Algorithmus sieht während der Trainings- und Testphase das gesamte Bild und kodiert Kontextinformationen über die Objektklassen sowie deren Erscheinungsbild.