Werkzeuge

ASE Data

ASE-Data ist eine Sammlung von datengetriebenen Methoden aus dem Automotive Systems Engineering (ASE). Die Leistungsfähigkeit von KI-Systemen ist maßgeblich von den zum Training verwendeten Daten beeinflusst. Diese sollten umfangreich sein und eine hohe Qualität aufweisen.

ASE-Data sammelt und beschreibt Methoden, um Umfang und Qualität der eingesetzten Daten zu erhöhen, um die Qualität der entwickelten KI-Systeme zu maximieren. Dabei werden verschiedene Datenformate (Bilder, Zeitreihen) adressiert.

ML4P Verarbeitungspipeline

Allgemein handelt es sich bei ML Pipelines um Workflows, die eingesetzt werden, um eine vollständige Machine Learning Aufgabe zu lösen. Solche Pipelines bestehen dann aus einzelnen Komponenten, welche jeweils für sich gekapselt eine abgeschlossene Teilaufgabe lösen. Im klassischen Sinne enthalten diese eine Quelle (z.B. Laden der Daten aus einer Datenbank), mehrere Verarbeitungsschritte (z.B. Vorverarbeitung, Trainieren, Validierung eines Modells) und letztendlich eine Senke (z.B. Dashboard zur Ergebnisdarstellung, Speichern der Ergebnisse in einer Datenbank).

Das Werkzeug „ML4P-Verarbeitungspipeline“ bietet die Möglichkeit solche Pipelines mit relativ geringem Aufwand umzusetzen. 

OCTANE

Im Bereich der Mobilitätsforschung ergeben sich neue Fragestellungen bei der Erprobung und Evaluation neuer immer komplexerer Systeme, die mitunter oftmals KI-Komponenten beinhalten. Daraus resultiert ein immer höherer Stellenwert der Simulation als Entwicklungs- und Evaluationswerkzeug. Neben der altbewährten Methode der hochpräzisen Simulation einzelner Teilkomponenten wird es in Zukunft immer relevanter, das Fahrzeugsystem im Gesamtkontext, d.h. vom Fahrzeug über die Verkehrssituation bis hin zum Verkehrsfluss zu betrachten.

Hier setzt die Simulationsplattform OCTANE als ein modulares Werkzeug an und ermöglicht eine individuelle Anpassbarkeit der Simulation auf die jeweilige konkrete Anwendung

ROS/CVAT - Datenaufzeichnung

Für den Einsatz von KI-basierten Bildverarbeitungsalgorithmen wird während des Modelltrainings eine große Menge von annotierten Bilddaten benötigt. Sowohl die Aufzeichnung, als auch die Annotation ist dabei zeit- und kostenintensiv. Um die Datenbasis für das Modelltraining anhand des Ziel-Anwendungsfalls effizient zu erstellen, kann auf die in CC-KING konzeptionierte Datenverarbeitungs-Pipeline zurückgegriffen werden. Dabei kommen Open Source Werkzeuge zum Einsatz, wie bspw. eine auf ROS (Robot Operating System) basierende Datenaufzeichnungskomponente und dem teilautomatisierten Annotationstool CVAT.

ROS2KI-Box

Mit Hilfe von künstlichen neuronalen Netzen erhalten Systeme die Fähigkeit, verschiedene Objekte mit hoher Sicherheit visuell zu erkennen und zu segmentieren. Auf diese Weise können bspw. mobile Roboterplattformen sich an bestimmte Terrains anpassen oder Kollisionen vermeiden, aber auch Roboter in der Produktion können ihre Arbeitsabläufe optimieren.

Im Rahmen von CC-KING wurde eine KI-Box Architektur entwickelt, die modular aufgebaut ist und sich dank ROS2 leicht in verschiedene Hardwaresysteme integrieren lässt. Darüber hinaus wurde ein Detectron2 KI-Framework für das Training visueller Klassifikatoren implementiert und für leistungsschwache Embedded-Geräte angepasst. 

Synthesefähige KI-Ausführungsplattformen

Neuronale Netze stellen hohe Anforderungen an die Leistungsfähigkeit der Hardware. Gerade bei Eingebetteten Systemen reichen die verfügbaren Rechenkapazitäten oft nicht aus. Spezialisierte Hardwarebeschleuniger können hier Abhilfe schaffen. Jedoch sind gängige Hardwareentwicklungsprozesse langwierig. Dies liegt an komplexen manuellen Entwurfs- und Verifikationsverfahren, sowie Integrationsprozessen, in welchen die Beschleuniger an Softwareframeworks angebunden werden.

Im Rahmen von CC-KING wurde ein Framework zur Generierung von applikationsspezifischen, synthesefähigen, RISC-V-basierten, HW-beschleunigte Architekturen und SoC-Plattformen für TensorFlow Lite (Micro) Modelle entwickelt. 

TensorFlow Lite to Microcontroller (TFL2uC)

„TensorFlow Lite to Microcontroller“ (TFL2uC) ist ein Tool, welches ermöglicht, TensorFlow Modelle auf Mikrocontrollern auszuführen. Die Portierungsschritte, um ein TensorFlow Modell auf einem Mikrocontroller laufen zu lassen werden traditionell manuell durchgeführt. TFL2uC führt diese Schritte automatisiert durch, sodass das Modell in ein C++ Projekt integriert werden kann. Zudem ist es möglich die Optimierungsalgorithmen Pruning und Quantisierung auf das Modell anzuwenden, um den benötigten Speicherplatz des Modells zu verringern.