Deep Learning für selbstfahrende Autos
Vollständig autonomes Fahren wird erst möglich, wenn das Fahrzeug sämtliche, auch hochkomplexe, Fahr- und Umgebungssituationen selbständig erkennen und einschätzen und auf ihrer Basis Entscheidungen treffen kann. Dieser hohe Anspruch ist nur mit Hilfe modernster Methoden der künstlichen Intelligenz erfüllbar, die Univ.-Prof. Dr. Sepp Hochreiter mit seinem Team entwickelt.
Projektdetails
Seed Projekt
Projektleitung
Sepp Hochreiter
Call
1/2016
Long Short-Term Memory (LSTM) ist derzeit „die heißeste Technologie, wenn es darum geht, sequentielle Inputs zu verarbeiten“, sagt Hochreiter. LSTM ist ein neuronales Netz, das sich etwas merken und es speichern kann, und zwar selektiv das, was man später wieder brauchen kann, etwa Wörter eines Satzes. Dafür ist LSTM heute bereits in praktisch jedem Mobiltelefon in Verwendung.
Nun möchte Hochreiter dies auch auf das autonome Fahren anwenden.
In den meisten derzeitigen Anwendungen zum autonomen Fahren werden Entscheidungen basierend auf Bildern von einem bestimmten Zeitpunkt getroffen.
Hochreiter will mit LSTM über diese Zeitpunkt-Entscheidungen hinausgehen, um Informationen aus einem größeren Zeitraum für robustere, verlässlichere und schnellere Entscheidungen im autonomen Fahren zu kombinieren.
Dabei sollen auf der Basis von neuronalen Netzen laufend Kamerabilder und sonstige Sensordaten ausgewertet werden. Es sollen auch solche Situationen erkannt und antizipiert werden, die sich im Verlauf der Zeit abzeichnen und aus einem einzelnen Bild nicht verlässlich erkennbar sind, z.B. ein Abbiegemanöver eines anderen Fahrzeugs, wie sich ein Fußgänger einem Auto gegenüber verhält, oder wie sich zwei miteinander kommunizierende Kinder einem Auto gegenüber verhalten werden. Zudem wird im Projekt LSTM4Drive noch der Aspekt der Aufmerksamkeit integriert.
Ziel ist, mit Hilfe von LSTM tatsächliche Fahr-Entscheidungen zu treffen.
Der gebürtige Bayer Univ.-Prof. Dr. Sepp Hochreiter ist seit 2006 Vorstand des Instituts für Bioinformatik an der JKU. Davor war er an der TU Berlin, der University of Colorado at Boulder und der TU München tätig.
Hochreiter entwickelte bereits 1991 in seiner Diplomarbeit die Idee zu Long Short-Term Memory (LSTM), „aber damals ist das noch nicht so gut angekommen, weil es die Datenmengen und die Computer noch nicht gegeben hat. Keiner hat geahnt, dass das einmal so durchschlagen wird.“ 1997 erschien die erste bahnbrechende Publikation zu LSTM.
Forschungsschwerpunkte Hochreiters liegen auf Machine Learning Verfahren, insbesondere Deep Learning, Long Short-Term Memory, Representational Learning, aber auch Biclustering und Matrix-Faktorisierung, sowie statistische Verfahren. Anwendungsgebiete dieser Forschungen reichen von der Analyse biologischer Daten (Next-generation Sequencing, Microarrays and protein/peptide arrays, Protein and RNA structures / mass spectrometry) und Pharmazie (Vorhersagemodelle in der Medikamentenentwicklung) über klinische Studien bis zu autonomen Systemen, Computer Vision und E-Commerce.
Kürzlich startete Hochreiter ein Kooperationsprojekt mit Audi zum autonomen Fahren.
Am LIT wird zudem ein Artificial Intelligence Laboratory eingerichtet, das Hochreiter leiten wird.
