Holistische Szenenmodellierung und -Interpretation basierend auf subsymbolischen, symbolischen und probabilistischen Methoden

Abstract

Automatisierte Fahrzeuge benötigen eine robuste und echtzeitfähige Erfassung der Szene und der Situation. Die wichtigsten Elemente der Szene sind die dynamischen Objekte und die Szenerie. Die Situationserfassung besteht aus folgenden Teilaspekten: Die Situationsmodellierung und die Situationsinterpretation. Die Situationsmodellierung betrachtet relevante Elemente der Szene bezogen auf die Ziele und Werte des Ego-Fahrzeugs. Die Situationsinterpretation hat als Hauptaufgaben die Schätzung der Konsistenz und Relevanz von Szenenelementen, die Prädiktion der zeitlichen Entwicklung der Situation und die Schätzung der Kritikalität der Situation bezogen auf die prädizierte Entwicklung dieser Situation. Die Szenen- und Situationserfassung sind sehr komplex Aufgaben, da eine große Diversität an Eigenschaften wie Tageszeit, meteorologischen Einflüssen, Sensorrauschen, Objektklassen und Relationen zwischen Szenenobjekten berücksichtigt werden müssen. Darüber hinaus sollen die rechenaufwändigen Erfassungsalgorithmen in Echtzeit unter Beachtung von eingeschränkten Ressourcen in eingebetteten Systemen laufen. In der Literatur wurden viele Ansätze der künstlichen Intelligenz vorgeschlagen, um die Aufgaben der Szenen- und Situationserfassung zu lösen. Diese Ansätze basieren hauptsächlich auf symbolischen, subsymbolischen und probabilistischen Methoden. Während diese Methoden sehr gut erforscht sind und gute Ergebnisse liefern, ist eine Kombination der Methoden, um von deren Vorteilen zu profitieren und deren Nachteile zu kompensieren, immer noch ein offenes Problem. In dieser Arbeit wird eine holistische Betrachtung der Szene und der Situation, in der die Kontextabhängigkeiten der Szenen- und Situationselemente als Vorwissen modelliert werden, vorgeschlagen. Das vorgeschlagene System besteht aus einer Wissensbasis, die das Vorwissen über Szenen- und Situationselemente auf einer symbolischen Ebene mit Hilfe von Ontologien und Regelbasen modelliert. Das Vorwissen enthält räumliche, zeitliche und semantische Abhängigkeiten zwischen Szenen- und Situationsaspekten. Um Unsicherheiten in der Wissensbasis zu modellieren, wird das Vorwissen anhand der Konzepte aus der Ontologie in Form von probabilistischen graphischen Modellen abgebildet. Methoden des maschinellen Lernens (bspw. tiefe neuronale Netze, Ensemble Modelle, etc.), die subsymbolische Informationen verarbeiten, ergänzen das System. Zur Laufzeit wird das System verwendet, um die Szene und die Situation kontext-konsistent zu erfassen. Konzepte und Methoden zur Handhabung der Komplexität der Wissensbasis, zur Integration der Module des Systems sowie zum Umgang mit Inkonsistenzen und Unstimmigkeiten werden eingebracht. Konkrete Anwendungen des Systems werden demonstriert.