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

KONTAKT AUFNEHMEN UND MEHR ERFAHREN: