Whitepaper: Machine Learning Methods for Enhanced Reliable Perception of Autonomous Systems

Machine-Learning-Methoden für eine verlässliche Perzeption

Im Rahmen des ADA Lovelace Center for Analytics, Data and Applications hat das Fraunhofer-Institut für Kognitive Systeme IKS ein technisches Whitepaper zu Machine-Learning-Methoden für eine verlässliche Perzeption autonomer Systeme erarbeitet. Darin gehen die Forscherinnen und Forscher auf folgende Aspekte ein:

  • Probleme und Lösungen 
  • Unsicherheitsbestimmung (Uncertainty Estimation)
  • Out-of-Distribution Detection
  • Object Detection
  • Anwendung von Machine-Learning-Methoden

Unsicherheitsbestimmung in Deep Neural Networks

Im vorliegenden technischen Whitepaper werden neue Methoden zur Quantifizierung der Unsicherheit in tiefen neuronalen Netzen (Deep Neural Networks) im Zusammenhang mit der Perzeption, dem Monitoring und Out-of-Distribution-Ansätzen vorgestellt, entwickelt und bewertet. Darüber hinaus beschreibt das Whitepaper Szenarien für verschiedene Aufgaben der Perzeption, wie der Objekterkennung, und verknüpft diese mit Ansätzen zur Unsicherheitsabschätzung. Der Schwerpunkt liegt dabei auf sicherheitskritischen Anwendungen, bei denen diese Methoden entscheidende Erkenntnisse liefern, um risikoreiches Verhalten zu reduzieren und die allgemeine Sicherheit zu steigern.

Whitepaper herunterladen und direkt weiterlesen.

Sie haben noch Fragen? Kontaktieren Sie uns gerne!

Contact Press / Media

Adrian Schwaiger

Wissenschaftlicher Mitarbeiter

Hansastr. 32
80686 München

Telefon +49 89 547088-358

Sascha Rudolph

Contact Press / Media

Sascha Rudolph

Leiter Business Development

Hansastr. 32
80686 München

Telefon +49 89 547088-381