Ereignisbasierte Wahrnehmungsalgorithmen für autonomes Fahren
Autonome Fahrzeuge stützen sich auf eine Vielzahl von Sensoren wie Kameras, LiDARs und RADARs, um zu navigieren und ihre Umgebung zu verstehen. Eine effiziente On-Board-Verarbeitung dieser Sensordaten ist für die Entscheidungsfindung in Echtzeit und für die Sicherheit entscheidend. In diesem Projekt wird untersucht, wie vom Gehirn inspirierte Algorithmen, insbesondere Spiking Neural Networks (SNNs), die Effizienz und Leistung der Sensordatenverarbeitung beim autonomen Fahren verbessern können.
SNNs, die für ihre Energieeffizienz und niedrige Latenzzeit bekannt sind, bieten eine vielversprechende Alternative zu traditionellen Deep-Learning-Ansätzen. fortiss zielt darauf ab, diese neuromorphen Methoden zu skalieren, um komplexe Aufgaben wie die 3D-Objekterkennung zu bewältigen und ihre Leistung mit bestehenden Deep-Learning-Modellen zu vergleichen. Da fortiss auf modernsten Open-Source-Projekten aufbaut, ist eine direkte Vergleichbarkeit und Relevanz gewährleistet. Ziel ist es, die Vorteile des neuromorphen Computings beim autonomen Fahren zu demonstrieren und Einblicke in zukünftige Anwendungen und Entwicklungen zu geben.
Das Forschungsprojekt evaluiert die Skalierbarkeit und Leistung von Spiking Neural Networks (SNNs) für komplexe Wahrnehmungsaufgaben beim autonomen Fahren, insbesondere die 3D-Objekterkennung. Durch den Einsatz von neuromorphem Computing zielt fortiss darauf ab, SNN-Modelle zu entwickeln, die auf hochdimensionale, multimodale Sensordaten zugeschnitten sind. Die fortiss Wissenschaftler*innen werden diese Modelle mit traditionellen Deep-Learning-Ansätzen vergleichen und dabei den Schwerpunkt auf Genauigkeit, Latenzzeit und Energieeffizienz legen.
Die Methodik umfasst die Vorverarbeitung von Daten, die Entwicklung von Algorithmen und die Leistungsbewertung unter Verwendung von Open-Source-Datensätzen wie KITTI und Waymo. Die fortiss Expert*innen erwarten, dass sie die Vorteile von SNNs in Bezug auf Energieeffizienz und Reaktionszeit aufzeigen, Herausforderungen bei der Skalierbarkeit identifizieren und praktische Empfehlungen für die Integration von SNNs in autonome Systeme geben. Diese Forschung soll kleinen und mittleren Unternehmen (KMU) Einblicke in die Nutzung neuromorpher Datenverarbeitung für verbesserte autonome Fahrtechnologien bieten.
01.10.2022 – 31.01.2024
