Einparken mit zwölf Neuronen

| |
1 Star2 Stars3 Stars4 Stars5 Stars

Es braucht nicht immer hundert Schichten mit einigen zehntausend Neuronen, um „intelligent“ zu wirken. Neue Ansätze erzielen auch mit weitaus weniger Aufwand verblüffende Leistungen.

Neuronale Netze müssen trainiert werden. Man füttert sie mit einem bestimmten Input und passt die Verbindungen zwischen den Neuronen so an, dass am Ende „hochwahrscheinlich“ der gewünschte Output erscheint. Die Zeit spielt bei diesem Vorgang in der Regel keine Rolle. Vielmehr liegt zu einem bestimmten Zeitpunkt der gesamte Input an, und daraus ergibt sich sofort der Output.

RNN
Unterschiedliche Schichten von Neuronen sind übereinandergelagert, und die Neuronen beeinflussen einander. (Bild: TU Wien).

Dagegen ist Spracherkennung zwangsläufig zeitabhängig, genauso wie etwa die Steuerung von Bewegungsabläufen, die auf wechselnde Umweltbedingungen reagieren muss. Für solche Aufgaben eignen sich sogenannte RNNs (Recurrent Neural Networks). Sie bilden Zeitabläufe ab, weil sich die Nervenzellen merken, was bisher passiert ist.

Allerdings legt in einem RNN-Modell üblicherweise eine unveränderliche Verbindung zwischen zwei benachbarten Neuronen fest, wie stark das eine Neuron die Aktivität des anderen beeinflusst. Anders in dem Modell der TU Wien: Dort verändern sich die Zellaktivität und die Verbindungen zwischen den Zellen mit der Zeit, was völlig neue Möglichkeiten eröffnet.

Der RNN-Wurm

Um die Vielseitigkeit des neuen Typs neuronaler Netze zu demonstrieren, „bauten“ die Forscher das Nervensystem nach, das der Fadenwurm C. elegans verwendet, um einen ganz einfachen Reflex zu realisieren – nämlich das Rückzugsverhalten bei einer Berührung. Danach wurde es stimuliert und trainiert, um reale Aufgaben zu lösen.

Mit seinen zwölf Nervenzellen löst dieses einfache Netz bemerkenswert komplexe Aufgaben in realen Umgebungen. Dazu gehört etwa ein Auto in eine Parklücke zu manövrieren. Anstatt die Bewegungen des Fadenwurms in der Natur zu steuern, „übernimmt“ der Output nun Lenkung und Gaspedal des Fahrzeugs.

Das bedeutet nun freilich nicht, dass zukünftig Würmer am Steuer sitzen. Aber es zeigt, dass Deep Learning mit der richtigen Architektur deutlich leistungsfähiger sein kann, als bisher gedacht.

Die Methode hat außerdem den Vorteil, dass sie Einblicke ins „Innere“ der künstlichen Intelligenz zulässt – ein großer Vorteil für die weitere Entwicklung des Konzeptes. In neuronalen Netzen mit oftmals Tausenden von Knotenpunkten lässt sich nämlich meist nur das Ergebnis analysieren. Was sich in der „Blackbox“ abspielt, bleibt dagegen im Dunkeln.

 


Erfahren Sie mehr über die Methoden der künstlichen Intelligenz auf dem Automotive und Embedded Forum, auf der Automotive Conference oder auf der Embedded Platforms Conference.

 

 

 

 

 

RNN (Bild: TU Wien).

Ein winziges neuronales Netz bugsiert ein Auto in die Parklücke. (Bild: TU Wien).