Evaluierung eines Neuronalen-Netz-Prozessors zur Onboard-Klassifikation von Fernerkundungsdaten

Abstract

In heutigen Luft- und Raumfahrtsystemen stellt das Versenden von Daten eine immer großer werdende Herausforderung dar, weil aufgrund der höheren Datenmengen fur die Ubertragungen mehr Ressourcen aufgewendet werden müssen. Eine mögliche Lösung stellt der Einsatz von künstlicher Intelligenz zur Echtzeitdatenverarbeitung an Bord solcher, hin- sichtlich der vorhandenen Ressourcen begrenzten Systeme dar, wie dem Stratosphärenflieger des Projekts MACS-HAP. Neben den Vorteilen bringt ein solcher Einsatz auch Herausforderungen mit sich, wie die geringe Menge an bereitstellbarer Energie. Um dennoch eine bestmögliche und energieeffiziente Performance eines dafur verwendeten neuronalen Netzwerk-Prozessors zu ermöglichen, wird sich in dieser Arbeit mit dessen Optimierung beschäftigt. Dazu werden in einem ersten Schritt die wichtigsten Komponenten des neuronalen Netzwerk-Prozessors auf ihre Eignung fur den Anwendungsbereich geprüft. Diese Analyse wird aufzeigen, dass das verwendete neuronale Netzwerk Yolov5s und die inferenzbeschleunigende Softwarebibliothek TensorRT passend gewählt wurden, während sich in Bezug auf die Hardware ein deutliches Verbesserungspotenzial durch geeignetere Alternativen ergeben wird. In einem zweiten Schritt werden die Komponenten aufeinander abgestimmt und optimiert, indem im Rahmen einer Parameteroptimierung nach einer bestmöglichen Kombination spezifischer Betriebsparameter gesucht wird. Die dabei ermittelte Parameterkombination wird den optimalen Kompromiss zwischen Geschwindigkeit, Genauigkeit und Leistungsaufnahme darstellen und somit zu einer Verbesserung der Performance des neuronalen Netzwerk Prozessors beitragen. Anschließend wird ein Ausblick gegeben, der weiterfuhrende Forschungsansätze zur Verbesserung der Performance darstellen wird.