KI für Autonome Fahrzeuge

Projektbeschreibung: Im Rahmen meiner Bachelorarbeit habe ich mich mit der Distanzschätzung (Depth Estimation) für autonomes Fahren unter Verwendung einer einzelnen monokularen Kamera beschäftigt. Das genaue Thema lautete: Quantifying Uncertainties in Depth Estimation for Autonomous Driving in CARLA. Ziel war es, eine einfache und kostengünstige Architektur zu entwickeln, die ohne komplexe Sensorfusion oder Stereokameras auskommt und dennoch zuverlässige Distanzwerte zum vorausfahrenden Fahrzeug liefert. Hierfür habe ich ein Convolutional Neural Network (CNN) implementiert, das ausschließlich RGB-Bilder einer auf der Motorhaube montierten Frontkamera als Eingabe erhält und direkt die Distanz in Metern ausgibt. Die Trainingsdaten wurden vollständig im Open-Source-Fahrsimulator CARLA generiert. Mithilfe eines Reinforcement-Learning-basierten Agenten habe ich realistische Fahrszenarien simuliert, um große Mengen gelabelter Daten zu erzeugen. Dabei wurden alle in CARLA verfügbaren Fahrzeugmodelle eingesetzt, um eine hohe Varianz in Form, Größe und Erscheinungsbild der vorausfahrenden Fahrzeuge abzudecken. Ein zentraler Schwerpunkt der Arbeit lag auf der Quantifizierung von Unsicherheiten der KI. Dazu habe ich zwei Ansätze untersucht: - Deep Ensembles: Training mehrerer identischer Modelle mit unterschiedlichen Initialisierungen und Analyse der Varianz der Vorhersagen als Unsicherheitsmaß. - Image Augmentations: Systematischer Test verschiedener Bildveränderungen (z. B. Helligkeit, Kontrast, Rotation), um deren Einfluss auf die Modellunsicherheit zu bewerten. Die gesamte Implementierung, Datengenerierung, das Training und die Evaluation erfolgten mit Python (PyTorch, CARLA Python API). Hauptfunktionen: - Datengenerierung in CARLA: Automatisierte Erstellung großer, gelabelter Datensätze mit präzisen Ground-Truth-Distanzen - Design und Training eines CNNs für Regressionsaufgaben (Monocular Depth/Distance Estimation) - Uncertainty Quantification in Deep Learning: Deep Ensembles und Analyse epistemischer/aletorischer Unsicherheit - Systematische Hyperparameter- und Augmentationsstudien - Wissenschaftliche Evaluation: Metriken wie MAE, RMSE, Abs Rel, Sq Rel sowie Unsicherheitsmetriken - Reproduzierbare Experimente mit Visualisierung Technische Herausforderungen: - Realistische und vielfältige Datengenerierung in CARLA - Training von Modellen mit größeren Epochengrößen bei begrenzter Rechenleistung - Vermeidung von Overfitting bei synthetischen Daten und Transfer auf reale Bedingungen - Stabiles Training von Deep Ensembles (mehrere Modelle) - Sinnvolle Interpretation und Visualisierung von Unsicherheitswerten im Kontext autonomer Fahrfunktionen - Balance zwischen Modellgenauigkeit und Robustheit Ergebnis: - Vollständig implementiertes und trainiertes CNN-Modell, das aus monokularen Bildern Distanzschätzungen zum vorausfahrenden Fahrzeug liefert - Analyse von Einflussen verschiedener Parameter und Augmentations auf Genauigkeit und Unsicherheit - Erfolgreiche Abschlussarbeit mit wertvollen Erkenntnissen zur Machbarkeit und Grenzen einfacher monokularer Distanzschätzung im Vergleich zu komplexeren Ansätzen - Fundierte praktische und theoretische Expertise in Computer Vision, Deep Learning und simulativer Datengenerierung für autonomes Fahren