Einsatz von Long Short Term Memory (LSTM) für self-driving automotion (Audi_2)

Deep Learning ist die wichtigste Enabler-Technologie für autonomes Fahren. Einerseits ermöglichte Deep Learning die Leistung von Computer-Vision-Systemen zur Erkennung des Fahrzeugumfeldes dramatisch zu verbessern. Andererseits erlaubt Deep Learning auch die Integration und Interpretation von Daten anderer Fahrzeugsensoren wie Radar, Lidar, Ultraschall, GPS, etc. All Entscheidungen auf Basis von Kamerabildern und sonstigen Sensoren verfolgen gegenwärtig den Ansatz, die Signale zu jedem Zeitpunkt, unabhängig von anderen Zeitpunkten zu interpretieren. Dabei wird temporale Information vernachlässigt. Viele komplexe Verkehrssituationen können aber nur dann korrekt identifiziert und verstanden werden, wenn der Verlauf der Informationen über die Zeit mitberücksichtigt wird. In diesem Projekt werden Long-Short-Term-Memory-Netzwerke (LSTM) genützt, um Entscheidungen beim autonomen Fahren zu treffen. Die spezielle Architektur dieser Netzwerke ermöglicht es, komplexe Abhängigkeiten über die Zeit zu lernen und somit Verkehrssituationen zu identifizieren und zu verstehen, die sich über die Zeit entwickeln oder nur als Abfolge verschiedener Indikatoren erkennbar sind. Dadurch ermöglicht LSTM eine robustere, sicherere und rechtzeitige Entscheidungsfindung beim autonomen Fahren.