Sensoren gehören zu den wichtigsten Komponenten in der heutigen digitalen Welt, um die Umwelt zu erfassen. Genau wie die menschlichen Sinne sind Sensoren das Mittel, mit dem technische Systeme Informationen über die externen Prozesse und Situationen erfassen. Sensor-Rohdaten sind jedoch nicht rausch- und störungsfrei. Sensorrohdaten enthalten eine große Menge an Störungen und Verzerrungen, was eine Herausforderung für die Gewinnung der eigentlichen Sensordaten darstellt. Die Verarbeitung der Rohdaten im Sensor selbst macht aus diesem einen smarten Sensor.
Ein Beispiel eines komplexen smarten Sensors ist das SPAD-basierte Flash-LiDAR-System. Wie in Abbildung 1 dargestellt, wird die Abstandsinformation durch die Punktwolkendaten repräsentiert. Die zeitkorrelierten Histogramme, aus denen auf die Punktwolkendaten geschlossen wird, enthalten jedoch zu 90 % Rauschen. Klassische Analysemethoden wie digitale Filter sind ineffizient und werden durch das dominierende Rauschen erheblich beeinträchtigt. Die Merkmalsextraktion, die vom Algorithmus für maschinelles Lernen als erste Verarbeitungsstufe durchgeführt wird, ist eine Möglichkeit, die Verarbeitungseffizienz deutlich zu verbessern und den Einfluss irrelevanter Informationen zu reduzieren. Typischerweise weist die Merkmalsextraktion einen Black-Box-Charakter auf und wird automatisch während der Trainingsphase gelernt. Bei vielen Algorithmen des maschinellen Lernens, z. B. bei »Convolutional Neural Networks«, kann der Umfang und die Komplexität der Merkmalsextraktion jedoch größer sein als der Klassifizierungsalgorithmus selbst.
Das Fraunhofer IMS entwickelt performante Methoden zur Merkmalsextraktion für verschiedene Anwendungen. Zum Beispiel wird bei LiDAR-Histogrammdaten die Merkmalsextraktion durch statistische Daten bestimmt. Durch Angabe der entsprechenden Parameter, z. B. Laserpulsbreite, gewünschter Wertebereich der Hintergrundlichtintensität und Anzahl der Messungen pro Histogramm, können wir die Merkmalsextraktion für Ihr System optimieren, so dass auch ein kompakter maschineller Lern-Algorithmus auf die extrahierten Merkmale angewendet werden kann und eine robuste Entfernungsinformation erhalten wird. Die Abbildung 2 zeigt qualitativ das Simulationsergebnis der gerade beschriebenen Merkmalsextraktion, wenn es auf einen Messdatensatz der Fraunhofer IMS »OWL« LiDAR-Kamera angewandt wird. Man erkennt an der größeren Ähnlichkeit der KI-basierten Darstellung (rechts) zur Idealdarstellung (links), dass die KI-basierte Methode deutlich besser ist als die konventionelle Methode (Mitte) und weniger Ausreißer produziert.
Das Fraunhofer IMS bietet folgende Möglichkeiten, Ihre LiDAR-Messungen zu verbessern:
- Angepasstes Merkmalsextraktionsverfahren zur Verbesserung der Messrobustheit bei starkem Umgebungslicht
- Auswahl und Bewertung von Klassifizierungsalgorithmen (SVM, neuronales Netz, Bayes'sche Theorie oder Entscheidungsbaum)
- Analyse der Messqualität in Echtzeit
- Zeitkorrelierte Einzelpixel-Korrektur und Makro-Pixel-basierte räumliche Korrektur