Technische Anforderungen an eine Hardware zum Training von Deep-Learning-Algorithmen für die Entwicklung autonomer Fahrzeuge

Inhaltsverzeichnis

1 EINLEITUNG

2 BESTANDTEILE DER ARBEIT

2.1 STAND DER FORSCHUNG

2.2 RELEVANZ UND ZIEL DER ARBEIT

2.3 METHODIK UND EINGRENZUNG DER ARBEIT

3 DARLEGUNG DES THEORETISCHEN HINTERGRUNDES

3.1 KÜNSTLICHE INTELLIGENZ

3.1.1 Historischer Überblick

3.1.2 Machine Learning

3.1.3 Deep Learning

3.2 HINTERGRUND ZU AUTONOMEN FAHRZEUGEN

3.2.1 Historischer Überblick und Ausblick

3.2.2 Stufen der Autonomie

3.2.3 Relevante Komponenten zur Entwicklung autonomer Fahrzeuge

3.3 RELEVANTE ASPEKTE ZUM DATENMANAGEMENT

3.3.1 Entwicklungsprozess autonomer Fahrzeuge aus Sicht der Hardware

3.3.2 Datei-, Block- und Objektspeicher

3.3.3 Speichermedien

3.3.4 GPU und CPU

4 IMPLEMENTIERUNG DER OBJEKTERKENNUNG IN CARLA

4.1 VIRTUELLER FAHRSIMULATOR CAR LEARNING TO ACT (CARLA)

4.2 ITERATIVER DATA MINING ZYKLUS

4.2.1 Problemdarstellung und Geschäftsverständnis

4.2.2 Datenerfassung

4.2.3 Datenaufbereitung

4.2.4 Modelltraining – Objekterkennung mit YOLO V3 tiny und Darknet

4.2.5 Modellevaluation

4.2.6 Modellbereitstellung – Implementierung des trainierten YOLO V3 tiny Modells in CARLA

5 ERGEBNISSE

5.1 ERGEBNISSE DES HARDWARE-MONITORINGS

5.2 HARDWARE EXTRAPOLATION

5.3 TECHNISCHE HARDWARE-ANFORDERUNGEN

FAZIT

5.4 ZUSAMMENFASSUNG

5.5 AUSBLICK

Zielsetzung & Themen

Das Hauptziel dieser Masterarbeit ist die Identifikation präziser technischer Hardware-Anforderungen für das Training von Deep-Learning-Algorithmen im Kontext der Entwicklung autonomer Fahrzeuge. Hierzu wird ein Objekterkennungs-System (YOLO V3 tiny) in den Fahrsimulator CARLA integriert, um Verkehrszeichen zu erkennen und den Fahrer bei Geschwindigkeitsüberschreitungen zu warnen. Durch systematisches Hardware-Monitoring während des Trainings werden Leistungsdaten erhoben, die als Basis für eine Extrapolation der benötigten Hardwareressourcen in größeren Produktionsszenarien dienen.

• Grundlagen von Künstlicher Intelligenz, Maschinellem Lernen und Deep Learning.
• Herausforderungen und technische Anforderungen an Hardware für das Training neuronaler Netze.
• Implementierung einer Objekterkennung in einer virtuellen Simulationsumgebung (CARLA).
• Analyse und Monitoring von Hardware-Komponenten (GPU, CPU, RAM, SSD) während eines KI-Trainingsprozesses.
• Extrapolation von Hardware-Anforderungen für komplexe Deep-Learning-Workflows.

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 EINLEITUNG: Einführung in die digitale Transformation der Automobilbranche und die Notwendigkeit von Hochleistungs-Hardware für das Training von KI-Systemen in der Simulation.

2 BESTANDTEILE DER ARBEIT: Überblick über den theoretischen Hintergrund zum autonomen Fahren sowie die Methodik der praktischen Implementierung in der CARLA-Simulationsumgebung.

3 DARLEGUNG DES THEORETISCHEN HINTERGRUNDES: Fundierte Definition von KI, Machine Learning und Deep Learning sowie eine detaillierte Betrachtung von Hardware-Komponenten wie GPU und Datenspeicher.

4 IMPLEMENTIERUNG DER OBJEKTERKENNUNG IN CARLA: Praxisnahe Darstellung des Data-Mining-Zyklus, von der Datenerfassung über das Training des YOLO-Modells bis zur Integration in den Simulator.

5 ERGEBNISSE: Auswertung der während des Trainings erhobenen Hardware-Messdaten und Extrapolation der Anforderungen für skalierbare Systeme.

FAZIT: Zusammenfassende Erkenntnisse über die Bedeutung effizienter Hardware-Architekturen für den Erfolg von Deep-Learning-Projekten im autonomen Fahren.

Schlüsselwörter

Künstliche Intelligenz, Maschinelles Lernen, Deep Learning, Autonomes Fahren, Objekterkennung, Hardware-Monitoring, Fahrsimulator, CARLA, YOLO, GPU, Datenspeicherung, Datenverwaltung, Neuronale Netze, Training, Leistungsanalyse

Häufig gestellte Fragen

Was ist das grundlegende Thema dieser Arbeit?

Die Arbeit untersucht die technischen Hardware-Anforderungen, die notwendig sind, um Deep-Learning-Algorithmen für die Entwicklung autonomer Fahrzeuge effizient zu trainieren.

Welche KI-Technologien werden in der Arbeit primär behandelt?

Es werden die Bereiche Künstliche Intelligenz, Machine Learning und insbesondere Deep Learning sowie die Architektur von Convolutional Neural Networks (CNN) betrachtet.

Was ist das zentrale Ziel oder die Forschungsfrage?

Das Ziel ist es, ein System zur Erkennung von Tempolimit-Schildern in einem Fahrsimulator zu implementieren und durch ein Hardware-Monitoring zu bestimmen, welche technischen Anforderungen an Hardware-Komponenten beim Training solcher Modelle gestellt werden.

Welche wissenschaftliche Methode wird für das Training angewendet?

Es wird der iterative Data-Mining-Standardprozess CRISP-DM angewandt, der Schritte wie Datenerfassung, Datenaufbereitung, Modelltraining mit YOLO V3 tiny und Evaluation umfasst.

Welche Hardware-Komponenten stehen im Fokus der Analyse?

Die Arbeit analysiert kritisch die Auslastung von GPU, CPU, RAM, VRAM sowie Speichermedien (SSD/HDD) während des Trainingsprozesses.

Welche Keywords charakterisieren die Arbeit am besten?

Die Arbeit lässt sich am besten über Begriffe wie Autonomes Fahren, Deep Learning, Objekterkennung, Hardware-Monitoring, Training und Simulation definieren.

Warum wurde der YOLO V3 tiny Algorithmus für die Simulation gewählt?

Er wurde aufgrund seiner Eignung für die Echtzeiterkennung, seiner Open-Source-Verfügbarkeit und seiner Leistungsfähigkeit bei begrenzten Hardware-Ressourcen ausgewählt.

Welche Rolle spielt der Fahrsimulator CARLA in diesem Projekt?

CARLA dient als realistische, Open-Source-basierte Umgebung, um Szenarien für autonomes Fahren zu simulieren, in denen das KI-Modell trainiert und seine Funktionalität validiert werden kann.

Welche Schlussfolgerung zieht der Autor hinsichtlich der Hardware?

Es wird festgehalten, dass für das Training von Deep-Learning-Modellen eine effiziente Kombination aus leistungsstarken GPUs und CPUs sowie eine hohe Bandbreite bei der Datenspeicherung unabdingbar ist, um Engpässe zu vermeiden.