Reimplementierung einer Objekterkennung im Kanurennsport durch ein aktuelles Convolutional Neural Network und Vergleich mit den Vorgängerversionen

Ziel der Arbeit sind Deep Learning-Methoden aus dem Stand der Forschung und ihre Implementierungen zur Detektion von Kanus und Ruderbooten in Zeilenkamera-Bildern. Hierzu sollen geeignete Ansätze identifiziert, exemplarisch auf dem Deep Learning-Server des Fachbereiches mit den Kanudaten trainiert, evaluiert und mit den im Einsatz befindlichen Netzversionen verglichen werden. Eine Detektion auf der Zielplattform Jetson Nano ist optional, sollte aber berücksichtigt werden.

Schwerpunkte sind die Darstellung der Funktionsweise eines sinnvoll gewählten Modells, des Vorgehens beim Training, bei der Hyperparameteroptimierung und beim Vergleich mit den Vorgängermodellen. Eine wichtige nichtfunktionale Anforderung aus Sicht des Unternehmens ist die Verständlichkeit, Nachvollziehbarkeit und Wiederholbarkeit der Arbeit.

Kolloqium: 18.02.2022

Betreuer: Dipl.-Inform. Ingo Boersch, Prof. Dr.-Ing. Jochen Heinsohn, Dipl.-Inform. (FH) Daniel Schulz (IMAS Startanlagen und Maschinenbau)

Download: A1-Poster

Categories: Abschlussarbeiten, Maschinelles Lernen

Pizzabote 2022

Das Unternehmen Nuro.ai (Kalifornien) entwickelt ein kleines vollautomatisches Lieferfahrzeug und erhält im Jahr 2019 eine Finanzspritze von 940 Millionen Dollar. Geldgeber ist der Investmentfonds des japanischen Technologiekonzerns Softbank. Es folgt eine Kooperation mit Domino’s Pizza: "Once an order is ready to be delivered from a participating location, Domino’s employees will load it into one of several compartments in Nuro’s thin, stout R1, which packs a proprietary combo of laser sensors, cameras, and computers. The vehicles top out at 25 miles per hour and are fully driverless ...".

Ist das schon SAE-Level 4?

Eine Zeitlang werden die Lieferroboter von einer Eskorte begleitet, aber das ändert sich im Jahr 2021: die aktuelle Version R2X fährt ohne Eskorte - allerdings nun mit einer Fernsteuerung als Lösung für Notfälle.

Nuro nennt in seiner Stellungnahme an die NHTSA vier (unscharfe) Bedingungen, damit der Lieferroboter SAE-Level 4 erreicht:

• eine gute Karte,
• langsamer als 25km/h,
• schönes Wetter und
• keine komplexen Situationen, wie Unfälle, Straßensperrungen ....

Zitat: "When these conditions are met, our vehicles operate autonomously without any expectation that a driver or passenger will respond to a request to intervene, meeting the Society of Automotive Engineers’ definition of Level 4 autonomy. " [Quelle: Delivering Safety: Nuro’s Approach (PDF)]

Aufgabe

Konstruieren Sie mit dem AKSEN-Board ein mobiles autonomes System (Roboter), der im Testareal des KI-Labors Pizzen einzeln an mehrere Kunden ausliefert - aber Vorsicht: einige Kreuzungen sind gesperrt! Und natürlich muss ein Robotersystem mit Stromversorgung, Motoren, Getrieben, geeigneten Sensoren und Greifer gebaut werden. Falls die Probleme zu groß werden (und groß werden sie auf jeden Fall), besteht die Fallback-Möglichkeit beim Abschlusswettbewerb mit einem manuellen Planer zu starten.

Wettbewerb am 13. Januar 2022 im eingeschränkten Präsenzbetrieb.

Es traten 5 Roboter zum Wettbewerb an: Deception (M), ML_Power (M), Fritzi (A), Kiki (A) und BetterNERF (A). Die mit (A) markierten Systeme planen die Fahrwege automatisch im 7000 Byte großen Hauptspeicher, die anderen manuell.

Im Wettbewerb setzten sich die vollautomatischen Systeme deutlich gegen die teilautomatisierten durch. Die Spitzengruppe bildeten Fritzi mit 44 Punkten sowie Kiki und BetterNerf jeweils mit 97 Punkten. Das Finale gewann Kiki knapp gegen BettterNerf.

Die Roboter

Categories: AKSEN, AMS-Projekte, RobotBuildingLab