Interpretation von Umgebungen durch inkrementelles Lernen

• Antragsteller: Professor Dr. Jürgen Gall
• Fachliche Zuordnung: Geodäsie, Photogrammetrie, Fernerkundung, Geoinformatik, Kartographie
• Förderung: Förderung von 2011 bis 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 166047863

Um unzugängliche Objekte mittels autonom fliegender Kopter zu erfassen und zu identifizieren, ist semantische Information unerlässlich. Sie hilft zum Beispiel um vorausschauender zu fliegen und Kollisionen mit Objekten zu vermeiden, indem Objekte erkannt werden, die sich bewegen können und deren Bewegung vorgesagt werden kann. Sie verbessert die 3D-Rekonstruktion, indem Oberflächen klassifiziert werden, die für die Rekonstruktion schwierig sind. Vor allem aber erlaubt sie semantische Anfragen, die das Navigations- und Explorationsverhalten der Kopter steuern. Um zum Beispiel alle Fenster auf Defekte zu untersuchen, muss nicht das ganze Gebäude zeitaufwendig rekonstruiert werden. Es genügt ein Modell, das basierend auf den bisherigen semantisch analysierten Daten, sowohl beobachtete als auch bisher unbeobachtete Instanzen von Fenstern vorhersagt. Ziel des Teilprojektes P7 ist die notwendige semantische Information aus den inkrementell erstellten 3D-Rekonstruktionen mittels Lernverfahren zu extrahieren. Da für die jeweiligen Aufgaben von semantischer Hinderniserkennung zu semantischen Anfragen die Anforderungen an die semantische Repräsentation bezüglich Laufzeit und Komplexität variieren, soll ein mehrstufiges Verfahren entwickelt werden, das den jeweiligen Ansprüchen genügt. Auf der untersten Stufen werden Bilddaten in Echtzeit klassifiziert, auf der obersten Ebene werden probabilistische Vorhersagen über die Existenz weiterer Instanzen einer bestimmten Objektklasse in der Umgebung getroffen. Dies gilt besonders für Bereiche, die noch nicht ausreichend exploriert wurden. Da im Zuge der zweiten Phase das Wiederverwenden von Informationen von vorherigen Flügen im Vordergrund steht, liegt der Hauptfokus auf die Entwicklung von effizienten inkrementellen Lernverfahren. Dies ist eine große Herausforderung, da Veränderung der Tageszeit und Lichtverhältnisse die Trainingsdaten verändern. Um komplexere Aufgaben zu lösen und eine möglichst große Flexibilität bei semantischen Anfragen zu erlauben, wird nicht angenommen, dass alle Kategorien a priori bekannt sind. Stattdessen kann der Benutzer über eine intuitiv zu bedienende Benutzerschnittstelle Bereiche in der aktuellen Karte markieren und als neue Klasse definieren. Das Ziel ist somit nicht nur Verfahren zu entwickeln, die neue Trainingsdaten von bekannten Klassen effizient integrieren, sondern auch neue Klassen effizient dazulernen.

• DFG-Verfahren: Forschungsgruppen
• Teilprojekt zu: FOR 1505: Mapping on Demand
• Mitverantwortlich: Professor Dr. Lutz Plümer