Robust gegen Störungen

KI-System für Automotive-Radarsensoren

23. Februar 2022, 9:28 Uhr | Irina Hübner
Forscher:innen der TU Graz entwickeln eine neue KI-Sensortechnologie für autonomes Fahren.
© TU Graz

Ein an der TU Graz entstandenes KI-System für Radarsensoren filtert Störsignale, die durch andere Radarsensoren verursacht werden, und verbessert die Objekterkennung damit erheblich. In Zusammenarbeit mit Infineon soll das System nun noch robuster gegenüber Störungen gemacht werden.

Damit Fahrassistenz- und Sicherheitssysteme moderner Autos ihre Umgebung wahrnehmen und in allen denkbaren Situationen zuverlässig funktionieren, sind sie auf Sensoren wie Kameras, Lidar, Ultraschall und Radar angewiesen. Vor allem letztere sind ein unverzichtbarer Bestandteil: Radarsensoren versorgen das Fahrzeug mit Standort- und Geschwindigkeitsinformationen von umliegenden Objekten. Allerdings haben sie es im Verkehrsgeschehen mit zahlreichen Stör- und Umwelteinflüssen zu tun: Interferenzen durch andere (Radar-)Geräte sowie extreme Witterungsbedingungen erzeugen ein Rauschen, das die Qualität der Radarmessung negativ beeinflusst.

»Je besser das Entrauschen von Störsignalen funktioniert, desto zuverlässiger kann die Position und die Geschwindigkeit von Objekten bestimmt werden«, erklärt Franz Pernkopf vom Institut für Signalverarbeitung und Sprachkommunikation an der TU Graz. Gemeinsam mit seinem Team und mit Partnern von Infineon entwickelte er ein KI-System auf Basis neuronaler Netzwerke, das gegenseitige Interferenzen bei Radarsignalen abschwächt und dabei den derzeitigen Stand der Technik bei Weitem übertrifft. Dieses Modell wollen die Forscher:innen nun so optimieren, dass es auch abseits gelernter Muster funktioniert und Objekte noch zuverlässiger erkennt.

Ressourceneffiziente und intelligente Signalverarbeitung

Zunächst haben die Wissenschaftler:innen Modellarchitekturen zur automatischen Rauschunterdrückung entwickelt, die auf sogenannten gefalteten neuronalen Netzwerken (Convolutional Neural Networks, kurz: CNNs) beruhen. »Diese Architekturen sind der Schichtenhierarchie unseres visuellen Kortex nachempfunden und werden bereits erfolgreich in der Bild- und Signalverarbeitung eingesetzt«, erklärt Pernkopf. CNNs filtern visuelle Informationen, erkennen Zusammenhänge und vervollständigen das Bild anhand vertrauter Muster. Sie verbrauchen durch ihren Aufbau wesentlich weniger Speicherplatz als andere neuronale Netzwerke, sprengen aber trotzdem die verfügbaren Kapazitäten von Radarsensoren für autonomes Fahren.

Komprimierte KI im Chipformat

Das Ziel lautete also: Noch effizienter werden. Das Team der TU Graz trainierte daher verschiedene dieser neuronalen Netzwerke mit verrauschten Daten und gewünschten Ausgangswerten. Dabei identifizierten sie im Rahmen von Experimenten besonders kleine und schnelle Modellarchitekturen, indem sie den Speicherplatz und die Anzahl an Rechenoperationen analysierten, die es pro Entrauschungsvorgang braucht.

Die effizientesten Modelle wurden anschließend erneut komprimiert. Dazu wurden die Bitbreiten, also die Anzahl der verwendeten Bits zur Speicherung der Modellparameter, reduziert. Resultat war ein KI-Modell mit hoher Filterleistung bei gleichzeitig geringem Energiebedarf. Die hervorragenden Entrauschungsergebnisse mit einem F1-Score (Maß für die Genauigkeit eines Tests) von 89 Prozent, entsprechen beinahe einer Objekterkennungsrate von ungestörten Radarsignalen. Die Störsignale werden also fast ganz aus dem Messsignal entfernt.

In Zahlen ausgedrückt: Das Modell erreicht mit einer Bitbreite von 8 Bit dieselbe Performance wie vergleichbare Modelle mit einer Bitbreite von 32 Bit, benötigt aber lediglich 218 Kilobytes Speicherplatz. Das entspricht einer Speicherplatzreduktion von 75 Prozent, womit das Modell den derzeitigen Stand der Technik bei Weitem übertrifft.

Robustheit und Erklärbarkeit im Fokus

Im FFG-Projekt REPAIR (Robust and ExPlainable AI for Radarsensors) werden Pernkopf und sein Team nun gemeinsam mit Infineon in den nächsten drei Jahren an der Optimierung ihrer Entwicklung arbeiten. »Für unsere erfolgreichen Tests nutzten wir ähnliche Daten (Störsignale), wie die, die wir zum Trainieren verwendet hatten. Wir wollen das Modell nun derart verbessern, dass es auch dann noch funktioniert, wenn das Eingangssignal signifikant von gelernten Mustern abweicht«, kommentiert Pernkopf.

Das würde Radarsensoren um ein Vielfaches robuster gegen Störungen aus der Umgebung machen. Schließlich ist der Sensor auch in der Realität mit verschiedenen, teils auch unbekannten Situationen konfrontiert. »Bisher reichten schon kleinste Veränderungen der Messdaten aus, dass der Output zusammenbrach und Objekte nicht oder falsch erkannt wurden, was im Anwendungsfall autonomes Fahren verheerend wäre.«

Das Verhalten von CNNs erklärbarer machen

Das System muss mit solchen Herausforderungen zurechtkommen und merken, wann die eigenen Vorhersagen unsicher sind. Dann könnte beispielsweise mit einer gesicherten Notfallroutine darauf reagiert werden. Hierzu wollen die Forschenden herausfinden, wie das System Vorhersagen bestimmt und welche Einflussfaktoren dafür entscheidend sind. Dieser komplexe Vorgang innerhalb des Netzwerks war bislang nur beschränkt nachvollziehbar. Hierzu wird die komplizierte Modellarchitektur in ein lineares Modell übertragen und vereinfacht. In Pernkopfs Worten: »Wir wollen das Verhalten von CNNs ein Stück weit erklärbarer machen. Uns interessiert nicht nur das ausgegebene Ergebnis, sondern auch dessen Schwankungsbreite. Je kleiner die Varianz, desto sicherer ist sich das Netzwerk.«

Für den Realeinsatz gibt es jedenfalls noch einiges zu tun. Pernkopf rechnet damit, dass die Technologie in den nächsten Jahren so weit entwickelt sein wird, dass die ersten Radarsensoren damit ausgestattet werden können.

Anbieter zum Thema

zu Matchmaker+

Das könnte Sie auch interessieren

Verwandte Artikel

Graz University of Technology