Page - (000447) - in Autonomes Fahren - Technische, rechtliche und gesellschaftliche Aspekte

43120.3 Methoden zum Umgang mit Unsicherheiten der maschinellen Wahrnehmung Hinsichtlich des funktionalen Verhaltens der Existenzschätzung gelten dieselben Einschränkungen wie bei der Zustandsschätzung. Es wird fortlaufend ein probabilistisches Maß für die spezifische Existenz des Objekts geliefert. Sensorausfälle während des Betriebs können daher auch in dieser Unsicherheitsdomäne zuverlässig erkannt werden. Eine Vorausschau auf eine künftige Leistungsfähigkeit ist allerdings hier ebenfalls nicht möglich. 20.3.4 Klassenunsicherheit Klassifikationsverfahren zur Bestimmung der Objektklasse, also das Bestimmen seman- tischer Informationen, sind sehr sensorspezifisch aufgebaut. Aufgrund des signifikant höheren Informationsgehaltes überwiegen im Bereich der Klassifikation bildbasierte Ver- fahren. Grundsätzlich unterscheidet man lernende Verfahren, bei denen der Klassifikator aufgrund von Positiv- und Negativbeispielen offline trainiert wird und der dann im Online- betrieb die trainierten Objektklassen mehr oder weniger gut erkennen kann. Die im Training verwendeten Merkmale werden entweder vorgegeben oder auch selbst im Lernprozess implizit generiert. Methodisch haben sich bei den lernenden Verfahren zwei grundsätzliche Vorgehensweisen etabliert. Zum einen sind dies kaskadierte Verfahren nach Viola und Jones [20] oder Methoden basierend auf verschiedenen Neuronalen Netzen [21], [22]. Eine eher klassische, aber ebenfalls noch übliche Vorgehensweise ist es, aus Sensordaten möglichst zahlreiche, für die unterschiedlichen Klassen diskriminierende deterministische Merkmale wie Länge, Breite oder Geschwindigkeit festzulegen und hierfür die klassen- spezifischen statistischen Schwankungsbereiche zu ermitteln. Der Mittelwert der Einzel- merkmale wird inklusive Schwankungsbreite beispielsweise durch eine Normalverteilung approximiert. Anschließend erfolgt auf Basis der aktuellen Messwerte und der bekannten Merkmalverteilungen die Bestimmung der nach im Bayes‘schen Sinne wahrscheinlichsten Klasse. Sollen unterschiedliche Sensoren kombiniert verwendet werden, die jeweils nur einzelne Merkmale des Gesamtsets erfassen können, bietet sich die Dempster-Shafer- Theorie [16] zur Klassenbestimmung an, da sie es erlaubt, auch „Nichtwissen“ zu berück- sichtigen. Diese Verfahren sind in der Regel allerdings weniger leistungsfähig als lernende Verfahren, sodass sie vermutlich weiter an Bedeutung verlieren werden. Nachteilig bei allen genannten Klassifikationsverfahren ist, dass keine theoretisch fun- dierten Wahrscheinlichkeiten für die augenblickliche Güte der Klassifikation bestimmt werden können. Hierzu existiert zurzeit keine umfassende theoretische Basis. Als Ausgabe der Klassifikatoren dient zurzeit lediglich ein individuelles Zuverlässigkeitsmaß, das auf den Wertebereich von null bis eins normiert werden kann. Eine Wahrscheinlichkeit im engeren Sinne stellt es nicht dar, sodass unterschiedliche Algorithmen diesbezüglich auch nicht vergleichbar sind. Bildbasierte trainierte Klassifikatoren unterscheiden sich so sehr von merkmalbasierten Verfahren aus Lidar- oder Radarsensoren, dass deren einheitliche Behandlung nicht einfach möglich sein wird.