SAHaRA - Smart beschleunigende Hardware für Radarsensoren ermöglicht autonomes fahren

Automatisiertes Fahren bietet das Potential, den Straßenverkehr für alle Beteiligten signifikant sicherer zu machen und damit das Leben von Menschen nachhaltig zu beeinflussen. Um diese Vision Wirklichkeit werden zu lassen, sind auf technischer Seite große Herausforderungen zu lösen. Um einem Fahrzeug zu ermöglichen, seinen Weg autonom und sicher durch den Verkehr und sämtliche Umgebungseinflüsse zu planen, ist zuallererst eine robuste und akkurate Wahrnehmung der Umgebung notwendig. Diese Herausforderung kann nur durch unterschiedliche und redundante Sensorsysteme und der intelligenten Verarbeitung und Fusion der gelieferten Daten gelöst werden. Forschung und Industrie sind sich einig, dass Radar, LiDAR und Kameras die benötigten Sensortechnologien sind, jedoch ist die Frage der optimalen Weiterverarbeitung der Daten und der Architektur der Verarbeitungseinheiten noch ungelöst. In einem autonomen Fahrzeug muss die Sensorik die Aufgaben der menschlichen Wahrnehmung übernehmen: Bewertung der Verkehrssituation und Detektion von Verkehrsteilnehmern und Objekten, die mit der eigenen Fahrzeugtrajektorie interagieren könnten. Durch die Sensorik erfolgt die Erfassung der Daten jedoch laufend und in alle Blickrichtungen. Dies hat enorme Rohdatenraten zur Folge, die eine intelligente Klassifikation der relevanten Daten erforderlich macht. Das umfasst sowohl die Klassifikation der Objekte sowie auch Vorverarbeitungsschritte wie die Detektion und Behandlung von Interferenzsignalen. Zur Beantwortung dieser Fragen wird im Projekt SAHaRA ein Hardwarebeschleuniger für binäre Bayessche Neuronale Netzwerke (BBNNs) konzipiert und entwickelt. Tiefe Neuronale Netzwerke (NNs) sind die derzeit erfolgreichsten Algorithmen im Bereich des maschinellen Lernens und liefern seit einigen Jahren die besten Klassifikationsresultate für verschiedene Problemstellungen in der Fachliteratur. Das Projekt SAHaRA soll die Vorteile von BBNNs gegenüber herkömmlichen tiefen NNs in der Anwendung autonomes Fahren erforschen und zeigen. Hierzu wird der Einsatz des Beschleunigers für BBNNs in einem Smart Radar Sensor, also einem Sensor mit integrierter intelligenter Signalverarbeitung untersucht. Folgendes soll gezeigt werden: - BBNNs können hocheffizient im Sinne von Rechenleistung und Energieverbrauch in Hardware realisiert werden. - Aufgrund der Bayesschen Lernalgorithmen sind BBNNs in der Lage, statistische Unsicherheiten zu den gelieferten Klassifikationsergebnissen zu liefern, was eine robuste Datenfusion im Fahrzeug wesentlich verbessern kann. - BBNNs im Radar Sensor erlauben eine Detektion der relevanten Daten direkt im Sensor, entlastet somit die zentrale Verarbeitungseinheit im Fahrzeug und optimiert die Partitionierung der Berechnungen sowie auch die Energieeffizienz. Die theoretischen Fragestellungen nach der benötigten Architektur und dem Lernen der BBNNs werden hierbei durch Daten aus der ALP.Lab Testregion unterstützt.