Generierung von Daten zur Entwicklung, Evaluation und Analyse eines KI-basierten Systems zur Erkennung der Belegung von Bahnübergängen

Abstract

Trotz hoher Sicherheitsvorkehrungen im Bahnbereich kommt es dennoch zu Unfällen. Im Jahr 2021 ereigneten sich in Deutschland 1080 Verkehrsunfälle an Bahnübergängen. Zwar treten besonders selten Unfälle an Bahnübergängen mit Schranken auf, jedoch birgt dieser Schutz auch die Gefahr, dass bei sogenannten Bahnübergängen mit Vollschranken sowie Halbschranken mit Vollabschluss Fahrzeuge eingesperrt werden können. Diese Bahnübergänge werden meistens von Personen überwacht. In dieser Masterarbeit wird simulativ untersucht, wie neuronale Netze die Belegung an diesen Bahnübergängen überwachen können. Hierzu werden zunächst künstliche Daten aus der Simulation CARLA generiert. Es werden zufällige Situation auf zwei verschiedenen Karten erstellt. Mithilfe dieser Daten werden verschiedene ausgewählte neuronale Netzarchitekturen trainiert. Basierend auf state-of-the-art Ergebnissen auf dem ImageNet-Benchmark wurden diese drei Architekturen ResNet, EfficientNet und ViT mit einer unterschiedlichen Menge an Trainingsdaten mit Cross-Validation trainiert und anschließend evaluiert. Die Modelle erreichen Genauigkeiten von über 98%. Dies würde zwar keinem Industriestandard, wie Safety-Integrity-Level-4 mit über 99,9%, entsprechen, zeigt jedoch, dass mit bereits kleinen trainierten Modellen eine hohe Genauigkeit erreicht werden kann. Um zu Überprüfen, wie gut die Modelle verallgemeinern können, wurden die Modelle auf einer unbekannten Karte und einem anderen Kamerawinkel getestet. So kann die Performanz auf unbekannten Bildverteilungen getestet werden. Hier konnte der Vision Transformer am besten verallgemeinern und auch auf der unbekannten Karte die Fahrzeuge größtenteils zuverlässig erkennen. Bestätigt wurden die Ergebnisse durch Methoden der Interpretierbarkeit. Hier wurden die Ergebnisse der Convolutional Neural Networks mit Saliency Maps und die des Vision Transformers mit Attention Visualisation visualisiert. Mit den Erkenntnissen kann nachvollzogen werden, dass die Modelle zuverlässig die Fahrzeuge auf dem Bahnübergang erkennen. Besonders der ViT konnte auf OOD-Daten die Belegung des Bahngleises anhand der Attention auf den richtigen Merkmalen feststellen. Weiter wurde anhand der falschen Klassifikationen Verbesserungen am ViT vorgenommen, womit eine kleine Performanzsteigerung beim Vision Transformer von über 3% des F1-Scores auf den OOD-Daten möglich war.