Damit Fahrassistenz- und Sicherheitssysteme von Autos die Umgebung wahrnehmen und in allen Situationen zuverlässig funktionieren, sind sie auf Sensoren wie Kameras, Lidar, Ultraschall und Radar angewiesen. So versorgen Radarsensoren das Fahrzeug mit Standort- und Geschwindigkeitsinformationen von umliegenden Objekten. Allerdings erzeugen andere (Radar-)Geräte und extreme Witterungsbedingungen Interferenzen und damit ein Rauschen, das die Qualität der Radarmessung negativ beeinflusst. Je besser das Entrauschen von Störsignalen funktioniert, desto zuverlässiger lassen sich deshalb Position und Geschwindigkeit von Objekten bestimmen.
Ein Team vom Institut für Signalverarbeitung und Sprachkommunikation der Technischen Universität Graz entwickelte gemeinsam mit Partnern von Infineon ein KI-System auf Basis neuronaler Netzwerke, das gegenseitige Interferenzen bei Radarsignalen abschwächt und dabei den derzeitigen Stand der Technik bei Weitem übertreffen soll. Dieses Modell wollen sie nun soweit optimieren, dass es auch abseits gelernter Muster funktioniert und Objekte noch zuverlässiger erkennt.
Intelligente Signalverarbeitung
Dafür haben die Forschenden zunächst Modellarchitekturen zur automatischen Rauschunterdrückung entwickelt, die auf sogenannten gefalteten neuronalen Netzwerken (Convolutional Neural Networks, CNNs) beruhen. Diese Architekturen sind der Schichtenhierarchie des visuellen Kortex nachempfunden und kommen bereits erfolgreich in der Bild- und Signalverarbeitung zum Einsatz. CNNs filtern visuelle Informationen, erkennen Zusammenhänge und vervollständigen das Bild anhand vertrauter Muster. Dabei verbrauchen sie wesentlich weniger Speicherplatz als andere neuronale Netzwerke, sprengen aber die verfügbaren Kapazitäten von Radarsensoren für autonomes Fahren.
Um noch effizienter zu werden, trainierte das Team der TU Graz daher verschiedene dieser neuronalen Netzwerke mit verrauschten Daten und gewünschten Ausgangswerten. Dabei identifizierten sie besonders kleine und schnelle Modellarchitekturen und komprimierten die effizientesten Modelle anschließend erneut. Resultat war ein KI-Modell mit hoher Filterleistung bei gleichzeitig geringem Energieverbrauch. Die Entrauschungsergebnisse mit einem F1-Score von 89 Prozent entsprechen beinahe einer Objekterkennungsrate von ungestörten Radarsignalen; die Störsignale sind also beinahe gänzlich aus dem Messsignal entfernt. In Zahlen ausgedrückt: Das Modell erreicht mit einer Bitbreite von 8 Bit die gleiche Performance wie vergleichbare Modelle mit einer Bitbreite von 32 Bit, benötigt aber lediglich 218 Kilobytes Speicherplatz. Das entspricht einer Speicherplatzreduktion von 75 Prozent.
Licht in die Blackbox bringen
Im FFG-Projekt Repair (Robust and Explainable AI for Radarsensors) arbeiten die Forscher in den nächsten drei Jahren an der Optimierung der Entwicklung. Vor allem wollen sie das Modell derart verbessern, dass es auch dann noch funktioniert, wenn das Eingangssignal signifikant von gelernten Mustern abweicht. Das würde Radarsensoren um ein Vielfaches robuster gegen Störungen aus der Umgebung machen. Bisher reichten schon kleine Veränderungen der Messdaten aus, dass Objekte nicht oder falsch erkannt wurden, was im Anwendungsfall autonomes Fahren verheerend wäre.
Das System muss mit solchen Herausforderungen zurechtkommen und merken, wann die eigenen Vorhersagen unsicher sind. Dann könnte es beispielsweise mit einer gesicherten Notfallroutine darauf reagieren. Deshalb gilt es herauszufinden, wie das System Vorhersagen bestimmt und welche Einflussfaktoren dafür entscheidend sind. Hierzu wird die komplizierte Modellarchitektur in ein lineares Modell übertragen und vereinfacht. Für den Realeinsatz ist indes noch einiges zu tun: Erst in den nächsten Jahren soll die Technologie genug entwickelt sein, um die ersten Radarsensoren damit auszustatten.