Situationsabhängige Selektion von Klassifikationsmodellen auf Basis Spiking Neural Networks (3622)

Neben dem Sicherheitsnachweis und dem Einsatz bei schlechtem Wetter ist der Energiebedarf für das Computing ein Hemmnis für die Einführung automatisierter Fahrzeuge in komplexeren Anwendungen.

HIGHEST - Innovations- und Gründungszentrum der TU Darmstadt

Jessica Retzlaff

Jessica Retzlaff

Innovationsmanagerin

Details

►Reduktion des Energiebedarfs bei der Inferenz von maschinellen Lernverfahren in Edge AI Anwendungen bspw. im Fahrzeug

Ausgehend von einer Situationserkennung (z.B. Straßentyp aus Karte, Fahrzeuggeschwindigkeit, Nässeerkennung etc.) entscheidet ein Orchestrator welches der implementierten, trainierten und freigegebenen (spiking) neuronalen Netze aktuell zum Einsatz kommen soll, um bspw. eine Objekterkennung durchzuführen. Diese Netze unterscheiden sich hinsichtlich ihres Energiebedarfs und ihrer Performance, so dass in einfachen Situationen hinsichtlich Energieverbrauch und in anspruchsvollen Situationen (wenn bspw. VRU erkannt) die maximale Performance ausgewählt wird.

Dokumente