SWARM
Machbarkeitsstudie zum bildbasierten Föderalen Lernen beim autonomen, vernetzen Fahren

Das Projekt

Problemstellung

Beim autonomen, vernetzten Fahren ist es notwendig, kontinuierlich verbesserte KI-Modelle zur Objekterkennung in Bilddaten zu erstellen. Jedoch beeinträchtigt die Datenschutzrichtlinie und mangelnde Netzabdeckung die Übertragung von Bilddaten von einem Fahrzeug auf einen zentralen Server. Föderales Lernen (FL) ist eine KI-Methode, die das Training auf mehreren Fahrzeugen ermöglicht, sodass keine Rohdaten zwischen den Fahrzeugen übertragen werden müssen, wobei FL zur Objekterkennung im autonomen Fahren bisher nicht untersucht wurde.

Ziel des Projektes

Das Hauptziel dieses Projekts ist es, FL-Methoden zur Objekterkennung anhand realer Verkehrsbilder zu implementieren und zu evaluieren. Dafür müssen bestehende FL-Methoden um eine automatische Auswahl und Annotation der Bilder erweitert werden. Zudem wird die Auswirkung einzelner Bestandteile dieser Methode auf das aggregierte KI-Modell untersucht. Die Realisierung eines Demonstrators der Gesamtmethode sowie die Generierung eines realen Datensatzes runden die Zielsetzung dieser Studie ab.

Durchführung

Neben der Erstellung einer Basislinie sind in diesem Projekt folgende Aufgaben geplant: Eine Untersuchung über die Auswirkungen von aktivem Lernen unter idealen Label-Bedingungen, sowie eine Studie über die Auswirkungen des Pseudo-Labelings. Ein Label bezeichnet die gesuchten Kategorien. Letztendlich werden die individuellen Auswirkungen der Techniken des Aktiven Lernens und des Pseudo-Labelings auf das Gesamtmodell betrachtet. Als Ergebnis wird ein gelabelter Bilddatensatz für FL-Anwendungen bereitgestellt.