Matlab-Expo Auf dem Weg zur Autonomie

Dr. Marc Segelken, Ingenieur bei Mathworks, stellt neue Features der letzten zwei Releases vor.
Dr. Marc Segelken, Ingenieur bei Mathworks, stellt neue Features der letzten zwei Releases vor.

Auf der Matlab-Expo in München drehte sich vieles um autonome Systeme. Da Matlab und Simulink ein Standard-Tool in der Automobilindustrie ist, ging es viel um das Fahren – aber nicht nur.

Am 27. Juni 2017 hatte Mathworks seine User zur Matlab-Expo nach München eingeladen, oder besser gesagt: nach Unterschleißheim, eine typische Vorstadt mit langweiligen Wohnschachteln und einem großen Gewerbegebiet. Die Teilnahme zur Expo war kostenlos und so hatten sich einige hundert, insbesondere junge User der Matlab-Community auf den Weg gemacht.

Die Keynote-Vorträge am Morgen widmeten sich allesamt dem Thema der autonomen Systeme. Nach einer Begrüßung durch Andreas Schindler, den Geschäftsführer von Mathworks Deutschland eröffnete Dr. Michelle Hirsch die Keynotes. Sie steht dem Matlab Produktmanagement vor und tappte sogleich in die erste interkulturelle Falle, indem sie sich sichtbar irritiert zeigte, dass auf ihr freudiges »good morning« keine Reaktion aus dem introvertierten deutschen Publikum zurückkam. Erst als sie daraufhin erwähnte, dass sie extra aus Boston gekommen sei, waren einige anerkennende »Aahs« von den Zuhörern zu vernehmen – was aber natürlich kein Vergleich zum dem Gegröhl ist, das ein amerikanisches Publikum daraufhin von sich gegeben hätte.

Autonomie anywhere

Michelle Hirsch zeigte in ihrem Vortrag »how to build an autonomous anything« weniger wie man ein autonomes System entwickelt, sondern präsentierte eine Reihe von Anwendungsbeispielen, die selbstverständlich mit Hilfe von Matlab entwickelt worden waren. Darunter waren eher konventionelle Beispiele, wie ein Fuhrpark von Tankfahrzeugen einer Ölbohrfirma, jedes eine Million Dollar teuer. Von den 16 LKWs werden fünf als Reserve vorgehalten, denn wenn Fahrzeuge nicht einsatzfähig sind, wäre die gesamte Ölproduktion eingeschränkt. Durch vorbeugende Wartung konnte die Zahl der Stand-by-Fahrzeuge reduziert und die Kosten sowie der Kapitaleinsatz gesenkt werden. Technisch weitaus anspruchsvoller war ein gänzlich anderes Anwendungsbeispiel, das auch im Bereich der Kunst angesiedelt ist: Dabei ging es darum, Gemälde automatisch auf Ähnlichkeiten zu analysieren.  Aus einem Datenbestand von 62.000 Bildern wurden einerseits grundlegende geometrische Merkmale wie Ecken, Kanten, Formen oder die Bildaufteilung extrahiert. Dann wurden aber auch Objekte wie Stühle, Tische, Fenster oder Personen identifiziert.

Dieses Beispiel zeigt recht gut den Unterschied zwischen maschinellem Lernen und »deep learning«: Während maschinelles Lernen sich auf die Erkennung von Merkmalen konzentriert, die mathematisch beschreibbar und algorithmisch erfassbar sind, umfasst das deep learning Erkennungsvorgänge, die für den Menschen sehr einfach, für Maschinen aber äußerst schwierig sind, weil sich nicht in starren mathematischen Regeln formuliert werden können. Beispiele hierfür sind die Erkennung von Sprache oder Gesichtern. Beim deep learning kommen neuronale Netze zum Einsatz, wozu Matlab u.a. eine neuronal Network Toolbox anbietet.