ALIs

kommt noch

Achtung: Die Navigationslinks auf dieser Seite funktionieren nicht, weil das nicht der Rahmen ist, der zu diesem Skript gehört. Wenn das Skript ordnungsgemäß dort installiert ist, wo es später laufen soll, funktionieren auch die Links in der dortigen Umgebung.

LINUX Cluster Project

Infrastruktur und Simulation FTM


Institution

  • Name: Lehrstuhl für Fahrzeugtechnik
  • Address: Boltzmannstraße 15, 85748 Garching
  • Project Proposal Date: 2019-04-18 10:54:14

Abstract:

Am Lehrstuhl für Fahrzeugtechnik werden virtuelle Methoden erstellt und erfoscht, die bei der Entwicklung von Fahrzeugen zum Einsatz kommen. Aktuell liegt der Schwerpunkt der eingesetzen Methoden auf dem Feld der Künstlichen Intellgigenz und der Optimierung. Für beide Schwerpunkte sind im Folgenden beispielhaft Projekte aufgeführt und deren HPC-Anwendung detailliert: Im Rahmen des Roborace Projektes werden verschiedene Methoden zur Objektdetektion auf Fahrzeug Sensordaten evaluiert. Dies umfasst Methoden des Deep Learnings, die auf die Kamera, Lidar und Radar Daten angewandt werden. Das Ziel des Teilprojektes ist es eine echtzeitfähige und hinreichend genaue Objektdetektion zu realisieren. Für das Training der Neuronalen Netzwerke wird eine Vielzahl an Daten und dementsprechende Rechenleistung benötigt. In dem Projekt soll auf state of the art Algorithmen sowohl zur Detektion als auch zur Tiefenerkennung aus Bilddaten aufgebaut werden. Ferner ist es das Ziel eine Sensorfusion in den neuronalen Netzen durchzuführen, um so die Detektionsgüte zu erhöhen. Dabei wird versucht die Daten auf Rohdaten Ebene zu fusionieren, um ganzheitliche Informationen über die Objekte zu erhalten. Im Rahmen der Entwicklung neuer Fahrzeugkonzepte werden üblicherweise genetische Optimierungsverfahren eingesetzt, da diese die Optima der gemischt-ganzzahligen, hochgradig nichtlinearen Zielfunktion zu ermitteln vermögen. Durch die hohe Bedeutung Autonomer Fahrzeugkonzepte und alternativer Antriebeskonzepte werden die Systemgrenzen weiter gewählt und die zu betrachtende Bandbreite der zu bewertenden möglichen Lösungen steigt. Infolgedessen steigt auch der Rechenaufwand für die Auswertung der Zielfunktionen sowie die benötige Anzahl der Zielfunktionsbewertungen. Bei genetischen Optimierungsverfahren lassen sich alle Zielfunktionsberechnungen einer Generation grundsätzlich parallelisieren. Die übliche Anzahl der INdividuen einer Generation beträgt dabei zwischen 50 und 500 Individuen. Erst die Parallelisierung ermöglicht also eine Berechnung der optimalen Lösungen innerhalb einer vertretbaren Rechenzeit.