Apples selbstfahrende Autos können Hindernisse besser erkennen als die Konkurrenz

Die beiden Ingenieure Yin Zhou und Oncel Tuzel haben am 17. November eine wissenschaftliche Publikation beim arXiv-Service der Universitätsbibliothek von Cornell hinterlegt. Der Artikel mit dem schönen Titel „VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection“.

VoxelNet besser als herkömmliche Systeme

Doch was genau hat es damit auf sich? Apples Anstrengungen betreffen ein neues System namens VoxelNet, das bisherige Lösungen ablösen soll. Bei diesen kommen bislang häufig Anwendungen zum Einsatz, bei denen für einzelne Objekte virtuelle Grenzumgebungen und auch die möglichen Blick- und Bewegungsrichtungen und weitere „Fähigkeiten“ der Objekte von Hand hinzugefügt werden. Solche System verfügen dann über eine mehr oder minder statische Erkennung von Objekten anhand der Daten, die dem System zugeführt wurden.

Die VoxelNet-Lösung hingegen setzt, vereinfacht ausgedrückt, auf „Deep Learning“ und die Intelligenz neuronaler Netzwerke. In ihm werden die Erkennung der „Fähigkeiten“ (Blick, Bewegung, etc.) der Objekte, sowie die virtuelle Begrenzung um selbige zusammengefasst. Das VoxelNet unterteilt die Umgebung in viele gleichmäßige Teile, die Voxel. Objekte in dieser Umgebung erhalten darüber eine volumetrische Repräsentation. Nun lernt dann das Netzwerk die Bewegungsmuster der einzelnen Objekte und speist ein System zur Risikoanalyse.

Apples System lässt die Konkurrenz hinter sich

Glaubt man dem Artikel der beiden Ingenieure, dann hat VoxelNet in einem Benchmark namens KITTI die Nase vorn. Dort lässt es mit großem Abstand selbst modernste 3D-LiDAR-Systeme hinter sich. Dabei handelt es sich um dem Radar ähnliche Systeme, die allerdings Licht und/oder Laser zur optischen Abstands- und Geschwindigkeitsmessung verwenden.

Es ist interessant zu sehen, dass Apple trotz einer Umstrukturierung seines Project Titans Fortschritte macht. Der Weg geht weg vom eigenen Auto, hin zu einer Software für autonome Fahrzeuge.