07 May TU Graz – Neues CD Labor Embedded Machine Learning

Die vorherrschende Technologie im autonomen Fahren ist machine Learning. Diese wird zum Beispiel von Alp.Lab zur UHD-Kartenerzeugung der Testregion eingesetzt. Machine Learning wird im neuen CD-Labor der TU Graz für embedded Systeme weiterentwickelt.

Am 2. März (gerade noch vor dem Lockdown) war die offizielle Eröffnung des neues CD Labors Embedded Machine Learning das die Technische Universität Wien (Institut für Computer Technik, Prof. Axel Jantsch), gemeinsam mit der Technischen Universität Graz (Institut für maschinelles Sehen und Darstellen, Prof. Horst Bischof) und den Industriepartnern Mission Embedded GmbH, Siemens Österreich und AVL List betreibt. Die Forschungsfragestellung der sich das Labor die nächsten sieben Jahre widmen wird, ist wie man maschinelles Lernen auf möglichst effiziente und ressourcenschonende Weise in eingebetteten IT-Systemen („Embedded Systems“) nutzen kann. Im Modul der TU Wien konzentriert man sich darauf wie man embedded Systeme am besten konfigurieren kann, also etwa welche Chips und Rechnerarchitektur sich für bestimmte Anwendungen eignen und welche Plattformen und Werkzeuge die höchste Effizienz ermöglichen. Der Fokus liegt auf bereits trainierte Modelle. Das Modul in Graz, das von AVL co-finanziert wird, widmet sich dem Thema „Life-long-Learning“ mit der Anwendung im automatisierten Fahren. Wie können Systeme während des laufenden Betriebes dazu lernen und sich verbessern, ist die primäre Fragestellung. Normalerweise müssen machine learning Modelle für das autonome Fahren mit einer riesigen Trainingsmenge trainiert werden, um zum Beispiel verkehrsrelevante Objekte wie Fußgänger oder Autos zu erkennen. Unser Ansatz verspricht von möglichst wenig händisch annotierten Daten zu lernen und das System kontinuierlich zu verbessern. Gleichzeitig muss aber garantiert werden, dass zu jeder Zeit die Sicherheit des Systems gewährleistet ist (zB. nichts Falsches gelernt wird). Spezifische Forschungsthemen mit den wir uns im CD-Labor auseinandersetzen sind, „weakly supervised learning“, „domain adaptation“, „Co-training“ mit anderen Sensoren.