DataSOW - Projektsteckbrief

Forschungsboot

Das Projekt DataSOW wurde von der TITUS Research GmbH initiiert und wird im Rahmen der Forschungsinitiative mFUND vom Bundesministerium für Verkehr und digitale Infrastruktur (BMVI) unterstützt.

  • Projektlaufzeit: 01/2021 – 11/2021
  • assoziierter Partner: WSA Spree-Havel
  • Projektteam: Ingenieure aus dem Fachbereich Automatisierungstechnik und Robotik, Physik, Maschinenbau
         sowie Elektrotechnik
  • Projektvolumen zum Bewilligungszeitpunkt: 61.115 Euro
         (davon 65% Förderung durch das BMVI)
        • Projektinhalt: 10 Arbeitspakete zur
     - Konzeptionierung und Umsetzung der Sensorplattform
     - Datenerfassung und -aufbereitung
     - Entwicklung, Training und Testen des KI-Moduls
     - Optimierung des KI-Moduls
  • Verwertung:
     - Bereitstellung des Datensatzes in der mCloud
     - Grundlage für aufbauende Projekte
     - Integration der Erkenntnisse in verwandte Forschungsvorhaben und die Lehre
     - Abschlussarbeiten und Promotionen

Ausgangslage

Die Binnenschifffahrt steht bezüglich eines hohen Automatisierungsgrades bzw. autonomer Operation vor großen Herausforderungen, was sich insbesondere durch die sehr komplexen Umgebungssituationen, in denen Binnenschiffe operieren, erklärt. Neben Restriktionen, die inhärent mit Binnenwasserstraßen verbunden sind (z.B. Querschnitte der Fahrrinnen, Durchfahrtshöhen, Operationsradien etc.), nehmen auch die wachsende Verkehrsdichte und Auslastung der Wasserstraßen sowie die Heterogenität der Verkehrsteilnehmer (vom Ruderboot bis zum Containerfrachter) starken Einfluss auf die Operation eines Binnenschiffs.

Das Vorhaben DataSOW soll einen wichtigen Beitrag dazu leisten, dass Binnenschiffe zukünftig assistiert, hochautomatisiert bzw. autonom operieren können.

SOW

Projektbeschreibung

Im Rahmen des Projektes wird ein Dataset für Infrastrukturobjekte an Binnenschifffahrtsstraßen erstellt. Dazu wird über einen Jahreszyklus hinweg umfangreiches Bildmaterial unter verschiedenen Beleuchtungs- und Wetterbedingungen sowie in verschiedenen Vegetationsperioden erfasst und aufbereitet. Weiterhin werden die Bilddaten mit Richtungsinformationen augmentiert.

Die Datenerfassung und der Aufbau des Datasets dienen dazu, ein neuronales Netz bezüglich der Detektion und Klassifikation der Infrastrukturkomponenten zu trainieren, iterativ zu testen und auf seine Leistungsfähigkeit hin zu evaluieren. Das entwickelte Modul kann später im Zusammenhang mit Assistenzsystemen oder auch als Teil einer autonomen Steuerung integriert werden und ist eine Grundvoraussetzung dafür, einen höheren Automatisierungsgrad bei Binnenschiffen zu erreichen.

Damit verfolgt das Projekt DataSOW das Ziel, die Entwicklung hin zu einem vollautonomen Einsatz von Binnenschiffen voranzutreiben.

Was bedeutet Künstliche Intelligenz für DataSOW?

Künstliche Intelligenz (KI) stellt eine Schlüsseltechnologie bei der Umsetzung autonomer Systeme dar. DataSOW nutzt dabei zur Detektion und Klassifizierung der Infrastrukturen eine Teildisziplin der KI, das Maschine Learning. Dazu wird ein Algorithmus erstellt, der aus allgemeinen Daten ein Muster, eine Regel ableitet, um vorgegebene Entscheidungs- und Bewertungsprobleme nach einem Trainingsprozess auch bei unbekannten Daten zu bewältigen. Das heißt: Die KI lernt aus vorhandenen Bildern, wie ein bestimmtes Objekt aussieht und überträgt diese Regel dann auf neue Bilder, in denen es das Objekt dann erkennen kann.

Wie arbeitet das KI-Modul?

Das KI-Modul wird auf Basis eines Convolutional Neural Networks (CNN) entwickelt. Ein CNN ist eine Netzarchitektur, die auf Klassifikationsaufgaben bei der Bild- und Videoerkennung spezialisiert ist. Es besteht im Wesentlichen aus sich abwechselnd wiederholenden Filter-Schichten, die primäre Merkmale extrahieren sowie Aggregations-Schichten, die die jeweiligen Merkmale verdichten und zusammenfassen. Jede Schicht präzisiert dabei das Ergebnis der vorherigen Schicht. Die Bilder werden dadurch vom Netz so aufbereitet, dass in einer letzten Schicht die schlussendliche Klassifizierung der Eingabedaten, das Erkennen und Identifizieren eines Objektes, durchgeführt werden kann.

 KI_Modul

Da das CNN durch diesen Aufbau lediglich in der Lage ist, ein Objekt zur selben Zeit zu detektieren, kann es zu Problemen kommen, wenn sich auf den Eingangsdaten mehr als ein Objekt einer bestimmten Klasse befindet. Um dies zu vermeiden können Erweiterungen, wie R-CNN, genutzt werden. Das dadurch entstehende Hybridnetzwerk ist nicht nur in der Lage Objekte zu klassifizieren, sondern sie auch zu lokalisieren. Hierfür werden im ersten Schritt Regionen im Bild ermittelt, die sich durch ihre spezielle Struktur vom Hintergrund abzeichnen. Anschließend erfolgt die Objektbestimmung mittels der beschriebenen Schichten eines CNN. Gleichklassifizierte Regionen dienen dabei zur algorithmischen Bestimmung der Objektpositionen. Während das R-CNN auf sehr rechenintensive Algorithmen zurückgreift, gibt es mit Fast R-CNN und Faster R-CNN bereits Nachfolger, die deutlich schneller vorgehen können.

Wie wird das KI-Modul trainiert?

Zur Entwicklung des KI-Moduls wird eine Methode des Machine Learnings, das Transfer Learning, genutzt. Dabei wird ein vortrainiertes neuronales Netz, das bereits unterschiedliche Objektklassen detektieren und klassifizieren kann, für die Lösung der in DataSOW gegebenen Problemstellung, sprich der Erkennung von Infrastrukturkomponenten entlang der SOW, angepasst.

Eine Herausforderung stellen Schifffahrtszeichen (z.B. Geschwindigkeitsbegrenzungen), bei denen sowohl Formen und Farben als auch Ziffern erkannt und ausgelesen werden müssen, dar. Um dem zu begegnen werden, wie in der Abbildung zu sehen, zwei kooperierende Netze eingesetzt. Zunächst klassifiziert das erste Modell das beobachtete Objekt. Aufbauend darauf kann die Entscheidung getroffen werden, ob es sich um ein Schifffahrtszeichen mit Ziffer handelt. Wenn dem so ist, wird das zweite Modell zur Klassifizierung der Ziffer eingesetzt.

DataSOW

Was ist für das Training notwendig?

Zum Training des neuronalen Netztes müssen Trainingsdaten in ausreichend großer Menge und guter Qualität generiert werden.  

Um sicherzustellen, dass die relevanten Verkehrszeichen und Infrastrukturkomponenten – auch bei variierenden Wasserstraßen - sicher erkannt werden, ist dementsprechend ein Dataset zu erstellen, das die später zu detektierenden Objekte möglichst präzise abbilden kann. Das heißt, hier müssen verschiedenste Blickwinkel und Neigungen berücksichtigt werden aber auch nur teilweise sichtbare bzw. partiell verdeckte Objekte können die Robustheit der Bild- und Mustererkennung steigern. Darüber hinaus unterscheiden sich die Bildparameter stark über den Jahreszyklus hinweg. Lichtfarbe, Einfallswinkel der Sonnenstrahlen und Schattenbildung führen dabei zur Veränderung der Beleuchtungsbedingungen. Außerdem sollen wetterabhängige Sichtveränderungen, wie Nebel oder Regen, aber auch die unterschiedlichen Vegetationsperioden, bei der Erstellung der Trainingsdaten berücksichtigt werden.

Die tatsächlich benötigte Anzahl unterschiedlicher Datensätze steht dabei in Korrelation zur Anzahl der erzeugten Klassen sowie deren Komplexität. Bei der Erstellung des Trainingsdatensets ist zudem darauf zu achten, dass Fehlinterpretationen, wie sie z.B. durch ein Ungleichgewicht in den Daten oder ein Overfitting des neuronalen Netzes entstehen können, vermieden werden.

Die TITUS-Sensorplattform

Sensorplattform

 

 

Projektleitung
Ira Hüppe
Head of Division | Systems, Missions, Usability
TITUS Research GmbH / Schmiedestraße 2B / 15745 Wildau
ira.hueppe@titus-research.eu / +49 (0) 3375 52309 22

Datenschutzhinweise & Cookie-Einstellungen

Wir verwenden Cookies, um Ihnen die Inhalte und Funktionen der Website bestmöglich anzubieten.

Zur Datenschutzerklärung und den Cookie-Einstellungen.

Allen zustimmennur notwendige Cookies zulassenEinstellungen

Datenschutzhinweise & Cookie-Einstellungen

Bitte beachten Sie, dass technisch erforderliche Cookies gesetzt werden müssen, um wie in unseren Datenschutzhinweisen beschrieben, die Funktionalität unserer Website aufrecht zu erhalten. Weitere Details, insbesondere zur Speicherdauer und den Empfängern, finden Sie in unserer Datenschutzerklärung. In den Cookie-Einstellungen können Sie Ihre Auswahl anpassen.

Google Tag
Google Analytics installiert die Cookie´s _gtag und _gid. Diese Cookies werden verwendet um Besucher-, Sitzungs- und Kampagnendaten zu berechnen und die Nutzung der Website für einen Analysebericht zu erfassen. Die Cookies speichern diese Informationen anonym und weisen eine zufällig generierte Nummer Besuchern zu um sie eindeutig zu identifizieren.
PHP Sitzung
Das Cookie PHPSESSID ist für PHP-Anwendungen. Das Cookie wird verwendet um die eindeutige Session-ID eines Benutzers zu speichern und zu identifizieren um die Benutzersitzung auf der Website zu verwalten. Das Cookie ist ein Session-Cookie und wird gelöscht, wenn alle Browser-Fenster geschlossen werden.
Google Maps
Google Maps ist ein Karten-Dienst des Unternehmens Google LLC, mit dessen Hilfe auf unserer Seite Orte auf Karten dargestellt werden können.
YouTube
YouTube ist ein Videoportal des Unternehmens Google LLC, bei dem die Benutzer auf dem Portal Videoclips ansehen, bewerten, kommentieren und selbst hochladen können. YouTube wird benutzt um Videos innerhalb der Seite abspielen zu können.
Vimeo
Vimeo ist ein Videoportal des Unternehmens Vimeo, Inc., bei dem die Benutzer auf dem Portal Videoclips ansehen, bewerten, kommentieren und selbst hochladen können. Vimeo wird benutzt um Videos innerhalb der Seite abspielen zu können.