“Entwicklung und Implementierung eines Federated Learning Systems zur Spurenerkennung”

Aufbau eines föderierten Lernsystems zur Fahrspurerkennung: Ein umfassender Leitfaden

In der heutigen Welt spielt die Automatisierung im Straßenverkehr eine entscheidende Rolle. Die Entwicklung und Implementierung von Systemen zur Fahrspurerkennung in autonomen Fahrzeugen erfordert eine Vielzahl technischer Schritte, von der Datenauswahl bis zur realen Anwendung. In diesem Beitrag beleuchte ich die wesentlichen Schritte zur Erstellung und Testung eines föderierten Lernsystems (FL) für die Fahrspurerkennung.

Datenauswahl und -vorverarbeitung

Für unser System haben wir die TuSimple- und CUlane-Datensätze ausgewählt. Der TuSimple-Datensatz, bestehend aus hochauflösenden Bildern von US-Highways, wurde aufgrund seiner Aktualität und Sauberkeit bevorzugt. Trotz der Herausforderung durch verrauschte Bilder im CUlane-Datensatz, die die Modellleistung beeinträchtigen könnten, war es wichtig, eine fundierte Wahl für das Training zu treffen. Die Bilder wurden einheitlich skaliert und normalisiert, was die Grundlage für die nachfolgende Modellarchitektur bildet.

Fahrspurerkennung und Modellarchitekturen

Beim Lane-Segmentation-Model setzen wir auf weit verbreitete Modelle wie U-Net, ResUNet und ResUNet++. Diese Modelle bieten fortschrittliche Architekturen zur Segmentierung kleiner Objekte und bieten gleichzeitig eine hohe Präzision. Während U-Net auf begrenzten Datensätzen effizient trainiert werden kann, handelt es sich bei ResUNet und ResUNet++ um weiterentwickelte Architekturen, die insbesondere für medizinische Bildsegmentierungen konzipiert wurden, sich aber auch für das Straßenverkehrsumfeld eignen.

Evaluationsmetriken und Optimierung

Die Performanzmetriken, wie der Dice-Koeffizient und Intersection-over-Union (IoU), spielen eine zentrale Rolle bei der Bewertung der Segmentierungsgenauigkeit. Diese Metriken bieten robuste Mechanismen zur Messung der Modellleistung und helfen dabei, die Vorhersagen mit den tatsächlichen Fahrspuren zu vergleichen. Zudem verwenden wir den Adam-Optimierer, um die Netzgewichte während des Trainings adaptiv anzupassen und so eine effiziente Konvergenz zu gewährleisten.

Anwendung des Föderierten Lernens

Föderiertes Lernen ermöglicht die dezentrale Zusammenarbeit mehrerer Kunden (Clients), um ein Modell zu trainieren. Die Daten werden gleichmäßig unter den Clients aufgeteilt, um ein ausgewogenes Lernen zu fördern und Überanpassungen zu minimieren. Jeder Client trainiert lokal mit seinen Daten, sendet aktualisierte Gewichte an einen globalen Server, der diese aggregiert und ein gemeinsames Modell entwickelt. Dies sorgt nicht nur für ein effektives Lernen, sondern wahrt auch die Privatsphäre der Daten.

Realweltliche Implementierungen

Im realen Einsatz ist die Echtzeit-Inferenz ein entscheidender Bestandteil, der die sichere und effiziente Navigation des Fahrzeugs gewährleistet. Während das Fahrzeug fährt, werden die gesammelten Daten im Hintergrund weiter trainiert, wenn sich das Fahrzeug im Parkmodus befindet. Dies verbessert kontinuierlich die Modellleistung.

Insgesamt zeigt diese Untersuchung, dass durch den effizienten Einsatz moderner Algorithmen und Ansätze zur Datenverarbeitung, föderiertes Lernen zu einem Schlüsselinstrument bei der Entwicklung autonomer Fahrsysteme wird. Die sorgfältige Auswahl und Vorbereitung der Daten sowie die durchdachte Architektur des Trainingsprozesses sind wesentliche Schritte zu einem sicheren und zuverlässigen System.