Methodenübersicht zur Erkennung von Anomalien auf dem CVPR-Workshop veröffentlicht
Eine neue Publikation in KI Data Tooling beleuchtet aktuelle Methoden zur Erkennung seltener Szenen und Szenarien in Daten oder in Online-Anwendungen für das autonome Fahren. Die Arbeit Anomaly Detection in Autonomous Driving: A Survey von Bogdoll et al. wurde auf dem Workshop über autonomes Fahren auf der CVPR angenommen und im Juni in New Orleans vorgestellt.
Während die Wahrnehmung von autonomen Fahrzeugen unter festgelegten Bedingungen gut funktioniert, haben sie immer noch Schwierigkeiten, mit dem Unerwarteten umzugehen. Diese lange Reihe von unbekannten oder seltenen Szenen und Szenarien - auch bekannt als Corner Cases oder Anomalien - ist eine der zentralen Herausforderungen im Hinblick auf den Ausbau autonomer Fahrzeugflotten.
Eines der Arbeitspakete im Rahmen von KI Data Tooling befasst sich mit diesem Thema: Ziel ist es, einen detaillierten Blick auf Corner Cases, ihre Darstellungen und Möglichkeiten zu ihrer Erkennung zu werfen. Diese Publikation arbeitet direkt auf dieses Ziel einer Bewertung verschiedener Datenquellen und -formate im Hinblick auf ihre Eignung zur Identifizierung von Eckfällen hin.
Um mit solchen Situationen umzugehen oder vielfältigere Datensätze zu erstellen, müssen sie zunächst erkannt werden. Mit der Arbeit Corner Cases for Visual Perception in Automated Driving: Some Guidance on Detection Approaches von Breitenstein et al. war bisher nur ein einziger, domänenspezifischer Überblick über Corner Case-Erkennungsmethoden für Kameradaten verfügbar. Da im Bereich des autonomen Fahrens ein Multi-Sensor-Setup typisch ist, wurde die Motivation geboren, eine allgemeinere Übersicht für alle typischen Sensormodalitäten sowie abstrakte Darstellungen zu erstellen.
Die neue Übersicht bietet einen umfassenden Überblick über Anomalieerkennungsverfahren auf Basis von Kamera-, Lidar-, Radar-, multimodalen und abstrakten Objektdaten. Darüber hinaus bietet sie eine Systematisierung, die den Erkennungsansatz, die Eckfall-Ebene, die Fähigkeit zur Online-Anwendung und weitere Attribute umfasst. Die Publikation skizziert den Stand der Technik und weist auf aktuelle Forschungslücken hin.
Mit dieser Arbeit als Grundlage für den Stand der Technik kann sich das Projekt nun auf aktuelle Methoden zur Erkennung von Corner Cases konzentrieren. Für andere Forscher, die neu auf diesem Gebiet sind, ist dieser Überblick ein idealer Einstieg. Für erfahrene Forscher kann das Papier helfen, Forschungslücken zu entdecken, um neue und kreative Methoden zur Erkennung von Corner Cases zu entwickeln.
Bild: Segmentmeifyoucan.com