ABOUT NORCOM
Untergrunderkennung mit Deep Learning auf Bild- und Zeitreihen-Daten
Die Aufgabe
Der Kunde entwickelt einen autonom fahrenden Roboter, der für eine optimale Navigation mit künstlicher Intelligenz ausgestattet werden soll. Mit Hilfe von Deep Learning Algorithmen sollen in einem ersten Schritt verschiedene Arten von Untergrund erkannt werden (z.B. Beton, Gras, Kies, Erde usw.). Der Roboter-Prototyp verfügt über zehn verschiedene Sensoren, die Bild- und Zeitreihen-Daten sammeln.
Die Herausforderung
Der Energieverbrauch der Algorithmen soll für einen möglichst großen Bewegungsradius des Roboters dimensioniert werden, gleichzeitig muss eine hohe praxistaugliche Erkennungsrate gesichert sein.
​
Unsere Lösung
Im ersten Schritt galt es, die Sensordaten des Roboters für das Training von Algorithmen zur Verfügung zu stellen. Dazu haben wir auf einer Big Data Umgebung Workflows für das Laden, die Extraktion und die Analyse der Daten bereitgestellt. Auf dieser Umgebung trainierten wir dann eine Auswahl der aktuellsten Deep-Learning Modelle für die Erkennung mehrerer Untergrund-Klassen aus Bild- und Zeitreihen-Daten. Danach wurden die besten Modelle auf den Ressourcenverbrauch optimiert und erreichten hohe Genauigkeit bei niedrigstem Energieverbrauch.
​
Der Kundennutzen
Die ressourcenschonenden Deep Learning Modelle ermöglichen den Einsatz direkt auf dem Roboter, damit beschleunigen sich Entwicklungszyklen und es können deutlich mehr Entwicklungsideen in kürzerer Zeit verprobt werden. Durch die enge Zusammenarbeit ist der Kunde befähigt weitere Modelle im Self-Service zu trainieren und auf dem Prototyp anzuwenden.
Projekt-
steckbrief
Unsere Rolle
Unterstützung des Kunden durch Data Scientists und Data Engineers
Unsere Tätigkeiten
-
Bereitstellung einer Big-Data Entwicklungsumgebung auf dem Kunden-Cluster
-
Erstellung von Big Data Workflows für das Bereitstellen und Verarbeiten der Daten
-
Auswahl, Training, Anwendung, und Bewertung verschiedener Deep-Learning Methode für die Klassifizierung der Zeitreihen- und Bilddaten
-
Auswahl der besten Modelle für weitere Optimierung mit TensorFlow-Lite und Export zur Anwendung auf Embedded Systemen
-
Bewertung der Ergebnisse und Beratung für die Weiterentwicklung
Technologien & Methoden
-
Applikationen: DaSense, Nifi, Docker
-
Daten/-banken: ROSbag
-
Sprachen/Frameworks: Python, Jupyter, Spark, TensorFlow, Scikit-Learn, Hadoop/Hortonworks
-
Methoden: Deep Learning, Machine Learning, Bildanalyse, Zeitreihenanalyse