Bühnenbild Merkmalsextraktion für smarte Sensoren
© Adobe Stock - Alexander Limbach
Bühnenbild Merkmalsextraktion für smarte Sensoren

Künstliche Intelligenz ermöglicht Merkmalsextraktion für smarte Sensoren

Am Beispiel eines LiDAR-Sensors führt eine geeignete Merkmalsextraktion durch Histogramm-Vorverarbeitung zu einer robusten und echtzeitfähigen Entfernungsmessung.

Merkmalsextraktion für smarte Sensoren

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:

  1. Angepasstes Merkmalsextraktionsverfahren zur Verbesserung der Messrobustheit bei starkem Umgebungslicht
  2. Auswahl und Bewertung von Klassifizierungsalgorithmen (SVM, neuronales Netz, Bayes'sche Theorie oder Entscheidungsbaum)
  3. Analyse der Messqualität in Echtzeit
  4. Zeitkorrelierte Einzelpixel-Korrektur und Makro-Pixel-basierte räumliche Korrektur
SPAD-basiertes LiDAR-System und Datenverarbeitungsprozess
© Fraunhofer IMS
SPAD-basiertes LiDAR-System und Datenverarbeitungsprozess
Vergleich zwischen Standard- und KI-basierter Simulation und Auswertung der SPAD-LiDAR-Punktwolke.
© Fraunhofer IMS
Punktwolke der SPAD-LiDAR-Sensordaten

Unsere Technologien – Innovationen für Ihre Produkte

Verteiltes Lernen

Verteiltes Lernen ermöglicht das Training komplexer Aufgaben auf mehreren kleinen eingebetteten Systemen.

Hybrides Lernen und PGNNs

Bei unzureichenden Trainingsdaten helfen Simulationen auf Basis physikalischer Modelle die Datenlage zu verbessern.

Embedded KI für LiDAR

Mit Hilfe von Embedded KI kann die Abstandsmessung durch LiDAR Sensoren beschleunigt und qualitativ verbessert werden.

Unsere Technologiebereiche – Unsere Technologien für Ihre Entwicklung

Kommunikation und Vernetzung

Kommunikationsschnittstellen erlauben den Datenaustausch mit anderen Geräten und die Anbindung an Netzwerke.

User Interfaces

User Interfaces als Schnittstelle zwischen Gerät und Anwender erlauben die Konfiguration und die Bedienung eines Produkts.

Maschinelle Lernverfahren für Embedded-Systems

Künstlicher Intelligenz auf ressourcenbegrenzten Systemen dient zur Gewinnung höherwertiger Informationen aus Sensorrohdaten.

Computer Vision

Computer Vision extrahiert das Maximum an Informationen aus Bilddaten.

 

Embedded Software and Artificial Intelligence (Home)

Hier gelangen Sie zurück zu der Übersichtsseite der Kernkompetenz
Embedded Software and Artificial Intelligence (ESA).