Die Arbeit ist inspiriert von Alessandro Giusti u.a., On the Visual Perception of Forest Trails. IDSIA, 2016.

Entwickelt wurde ein selbstfahrendes Modellauto, welches nur mit Hilfe einer Kamera autonom durch Gänge und auf Wegen fahren kann. Das auf ein Convolutional Neural Network basierende System bestimmt mit einem Kamerabild die Hauptrichtung des Ganges in Relation zum Blickfeld des Fahrzeuges. Es können drei Zustände erkannt werden, ob der Weg „nach links gerichtet“, „nach rechts gerichtet“ oder „geradeaus gerichtet“ ist.

Durch überwachtes maschinelles Lernen wurde ein neuronales Netzwerk trainiert. Der hierfür benötigte Datensatz wurde mit drei Kameras aufgenommen, während das Auto manuell gesteuert durch den Gang fuhr. Die Ausrichtungen der Kameras entsprachen den drei zu klassifizierenden Zuständen.

Das Hauptaugenmerk liegt auf der Integrierung der verschiedenen Komponenten zu einem autonomen Roboter. Diese umfassen den Aufbau des Fahrzeuges, die Erstellung eines geeigneten Datensatzes, das Konfigurieren und Lernen eines CNNs und das Testen des Autos.

Download: Christian Scheglmann, Autonomes Fahren mit Deep Learning. Hochschule Augsburg, 2017.