Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Eine der Herausforderungen bei der Entwicklung autonomer Fahrsysteme besteht darin, genügend Daten für das Trainieren und Testen der KI-Modelle zu sammeln und zu beschriften, die das Fahrzeug steuern. Allerdings ist die Datensammlung kostspielig, zeitaufwändig und durch die Verfügbarkeit realer Szenarien begrenzt. Darüber hinaus ist die Datenbeschriftung anfällig für menschliche Fehler und Inkonsistenzen und erfordert einen hohen manuellen Aufwand. Daher ist eine neue Möglicht wünschenswert, um aus vorhandenen Daten neue Daten zu generieren, ohne die Qualität und Vielfalt der Daten zu beeinträchtigen.
NeRF (Neural Radiance Fields) ist eine Technologie, die bei diesem Problem helfen kann. NeRF steht für Neural Radiance Fields (neuronale Strahlenfelder) und wurde erstmals 2020 von einem Team der UC Berkeley, Google Research und der UC San Diego in einem Papier mit dem Titel NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis vorgestellt. NeRF ist eine Möglichkeit zur Darstellung und zum Rendering realistischer dreidimensionaler (3D) Szenen basierend auf einer Eingabesammlung zweidimensionaler (2D) Bilder. NeRFs nutzen ein neuronales Netz, um zu lernen, wie Lichtstrahlen mit der Szene interagieren, und synthetisieren dann neue Ansichten der Szene aus jedem beliebigen Winkel. NeRFs können hochwertige 3D-Modelle in Fotoqualität erstellen, die kleinste Details und Texturen der Szene erfassen.
NeRF kann bei der Entwicklung des autonomen Fahrens helfen, indem es auf zwei Arten neue Daten aus vorhandenen Daten erstellt:
Datenerweiterung: NeRF kann eine Sammlung von 2D-Bildern verwenden, die von Kameras an einem realen Fahrzeug aufgenommen wurden, um eine dreidimensionale Szene der Umgebung zu rekonstruieren. Dann kann NeRF neue Bilder der Szene aus verschiedenen Blickwinkeln, Winkeln und Entfernungen generieren, mit denen Sie das ursprüngliche Dataset erweitern können. Dadurch stehen eine größere Menge und Vielfalt an Daten zum Trainieren und Testen der KI-Modelle zur Verfügung, und ihre Verallgemeinerung und Stabilität für seltene Fälle wird verbessert.
Datensimulierung: NeRF kann auch eine Sammlung von 2D-Bildern verwenden, die von Kameras an einem realen Fahrzeug aufgenommen wurden, um eine dreidimensionale Szene der Umgebung zu rekonstruieren. Anschließend kann NeRF sich bewegende Objekte von statischen Umgebungen trennen, die ursprünglichen Bewegungsbahnen von Objekten ändern, neue Objekte und Bewegungsbahnen hinzufügen und ungewöhnliche Verkehrsteilnehmer hinzufügen. Mithilfe der NeRF-Funktionen können vielfältige und realistische Szenarien für Simulationen erstellt werden, die zum Trainieren und Testen der KI-Modelle in unterschiedlichen Situationen und zu unterschiedlichen Bedingungen verwendet werden können.
NeRF ist ein leistungsstarkes Tool, das durch die Generierung neuer Daten aus vorhandenen Daten die Entwicklung des autonomen Fahrens unterstützen kann. Dadurch können die Kosten und der Aufwand für die Erfassung und Beschriftung von Daten reduziert und die Qualität und Vielfalt der Daten zum Trainieren und Testen der KI-Modelle erhöht werden.
NVIDIA, einer der wichtigsten Partner von Microsoft, verwendet NeRF in seinem Produkt DRIVE Sim als Teil seiner Neural Reconstruction Engine. DRIVE SIM läuft heute auf Omniverse auf Azure. Zudem nutzt WAYVE ebenfalls NeRF, um mithilfe der Microsoft Azure Funktionen 3D-Welten und -Szenarien in Fotoqualität automatisch aus realen Fahrdaten zu generieren.