Im letzten Block, der am 09.12.2019 begann, wurden die Studierenden mit den Technologien der Industry Automation vertraut gemacht. Technischer Leiter ist Shadi Saleh, M.Sc..
Die Autoindustrie erlebt derzeit einen gewaltigen Umschwung vom konventionellen, fahrergesteuerten zum autonomen, von künstlicher Intelligenz angeleiteten Fahrzeug. Letzteres bietet eine sichere, zuverlässige, effiziente und bezahlbare Lösung zu unserer bisherigen Mobilität und definiert diese somit auf drastische Weise neu. Die Techniken des “deep learning” haben sich als äußert erfolgreich darin erwiesen, insbesondere Wahrnehmungsbeschränkungen zur Objektklassifizierung, -erkennung und -einteilung zu negieren.
Jedoch sollte man nicht außer acht lassen, dass die Methode des “deep learning” meist sehr spezialisierte Hardware voraussetzt, welche über einen größeren Speicher und die benötigten Rechenanforderungen verfügen muss. Die Lösung hierfür ist entweder eine leistungsfähige Hardware oder ein weniger komplexes neuronales Netz, jedoch sollte für ein optimales Ergebnis ein Gleichgewicht zwischen beiden Aspekten hergestellt werden. Daher lautet die richtige Frage: Welche Hardware und was für ein Typ von Netz sollte man kombinieren, um die maximale Genauigkeit und Geschwindigkeit des Algorithmus zum “deep learning” zu erzielen?
Der Gegenstand des Blocks III war die Vermittlung von Kernaspekten der Entwicklung von “deep learning ” Prozessen anhand von eingebetteten Systemen.
Daraufhin gab es diverse Ansätze zur Entwicklung von “deep learning” Prozessen und “computer-aided vision” , wie beispielsweise die Notbremsassistenz basierend auf multipler Objekterkennung und Abstandseinschätzung, Eigenbewegungswahrnehmung oder auch Fahrzeugerkennung und Ortung. Mittels der eingebetteten GPU (z.B. NVIDIA Jetson Nano) konnten die Studenten die Entwicklung der Lernmethoden nachvollziehen und praktische Erfahrung sammeln.