![\"Das](\"https:\/\/cm-edgetun.pages.dev\/de-de\/industry\/blog\/wp-content\/uploads\/sites\/2\/2018\/11\/Kundenreferenz-fev-1200x800.jpg\")
<\/p>\nDas derzeit wahrscheinlich hei\u00dfeste Thema in der Automobilindustrie? Selbstfahrende Autos. Damit die Wirklichkeit werden, m\u00fcssen die Fahrzeuge Hindernisse erkennen. Grundlage hierf\u00fcr: Terabytes an Bild- und Sensordaten, die Zulieferer und Hersteller w\u00e4hrend der Entwicklungsphase t\u00e4glich auswerten m\u00fcssen, um Objekte zu klassifizieren. Wie l\u00e4sst sich das am schnellsten bewerkstelligen?<\/p>\n
<\/p>\n
Ein fahrendes Auto zu erkennen ist f\u00fcr einen mit Kameras ausgestatteten Artgenossen noch vergleichsweise einfach. Was aber ist mit einem Wohnwagenanh\u00e4nger? Einem geschobenen Fahrrad oder einem, das nur am Laternenpfahl an der Kreuzung steht? Von Fu\u00dfg\u00e4ngern (alt, jung, schnell, stehend, mit Kinderwagen) ganz zu schweigen. Selbstfahrende Autos m\u00fcssen also jede Menge Objekte einwandfrei erkennen und unterscheiden k\u00f6nnen, um die richtige Entscheidung zu treffen: Bremsen, ausweichen, weiterfahren. Erschwert wird das Ganze noch durch wechselnde Wetter- und Lichtbedingungen.<\/p>\n
<\/p>\n
<\/p>\n
Um ihren Fahrzeugen das Sehen beizubringen, m\u00fcssen Hersteller, Plattformbetreiber und Zulieferer m\u00f6glichst viele Varianten der m\u00f6glichen Objekte erfassen und klassifizieren. Das erledigen sie, in dem sie Autoflotten j\u00e4hrlich Millionen von Kilometer abspulen lassen. Die mit Kameras sowie Lidar (Light Detection And Ranging)-Sensoren best\u00fcckten Autos sammeln so w\u00e4hrend der Fahrt das notwendige Datenmaterial, in dem eine Software dann nach den gew\u00fcnschten Objekten sucht und sie markiert. <\/p>\n
<\/p>\n
Die Herausforderung hierbei sind die gewaltigen Datenmengen: Eine einzelne Kamera produziert t\u00e4glich gut 1,6 Terabyte Bilddaten. Da Flotten aus einer zweistelligen Anzahl von Fahrzeugen bestehen, die jeweils zwei und mehr Kameras an Bord haben, kommen rasch gewaltige Datensammlungen zustande. Zu denen sich noch die vom Lidar, einer Art Laser-Scanner, der dreidimensionale Objekte erfasst, erzeugten Daten gesellen. Diese sind zwar weniger umfangreich als die Kamerabilder, daf\u00fcr aber komplexer auszuwerten.<\/p>\n
<\/p>\n
Angesichts der Datenberge ist es offensichtlich, dass nur Software das sogenannte Labeling, also das Markieren der Objekte, erledigen kann. Labeling-Tools bringen einen Grundstock an bekannten Objekten mit und fordern menschliche Bediener nur dann zur Mitarbeit auf, wenn sie sich unsicher sind. Damit dieser Prozess m\u00f6glichst effektiv und effizient arbeitet, sind zwei Faktoren wichtig: Rechenleistung und m\u00f6glichst pr\u00e4zise Erkennung.<\/p>\n
<\/p>\n
Ersteres bietet die Cloud reichlich. Aus diesem Grund l\u00e4sst der Dienstleister FEV Europe GmbH sein Labeling-Tool die aufw\u00e4ndigen Rechenprozesse auch auf Microsoft Azure ablaufen. Die dort verf\u00fcgbaren Cluster aus Nvidia-Grafikprozessoren sind ideal geeignet, um die gro\u00dfen Datenmengen der Fahrzeugflotten zu durchforsten. Zudem m\u00fcssen Kunden nur die Rechenleistung bezahlen, die sie auch abrufen und keine Infrastruktur unterhalten, die dann doch nur schnell veraltet.<\/p>\n
<\/p>\n
Die notwendige Pr\u00e4zision erreicht Labeling-Software durch maschinelles Lernen: Das neuronale Netz wird stetig besser. Jedes Mal, wenn ein menschlicher Bediener ein von der Software nicht erkanntes Objekt korrekt zuweist, verdichtet sich das neuronale Netz \u2013 die Erkennungsraten steigen. Cloud-typisch sind die neuronalen Netze nach Mandanten voneinander getrennt, so dass es keine Vermischung gibt. <\/p>\n
<\/p>\n
![\"Kundenreferenz](\"https:\/\/cm-edgetun.pages.dev\/de-de\/industry\/blog\/wp-content\/uploads\/sites\/2\/2018\/11\/FEV-Logo-300x121.jpg\"){kind=logo}
<\/p>\n