Ziel des Projektes ist es, Methoden zu entwickeln, die es KI-Systemen erlauben, mit wechselnden Gegebenheiten effizient umzugehen – ohne notwendige Änderungen der Architektur und ohne komplett neues Training. Dabei wird der Ansatz des kontinuierlichen Lernens angewendet: hier wird das erlernte Wissen bei Wechseln zwischen Domänen nicht vergessen. Außerdem werden Verfahren entwickelt, die mit mehreren Domänen gleichzeitig umgehen können.
Kontinuierliches Lernen
Als Grundlage für die Betrachtung konkreter Delta Learning Use Cases wird eine breite Sammlung von Methoden des kontinuierlichen Lernens entwickelt und untersucht. Diese adressieren vor allem Situationen bei denen zu einer weiterhin relevanten Datenbasis vergleichsweise wenige neue Daten hinzukommen. Bei traditionellen Ansätzen kommt es hier zu „katastrophalem Vergessen“: die Netze verlernen den Umgang mit der ursprünglichen, bereits gut beherrschten Datenbasis. Diese Problematik wird durch Gegenmaßnahmen, darunter die Untersuchung von Zwischenrepräsentationen und das kontinuierliche Training, adressiert.
Nutzung synthetischer Daten
Synthetische Daten aus Simulationsumgebungen versprechen eine günstige Beschaffung großer Mengen annotierter Trainingsbeispiele und eine explizite Kontrolle über die darin abgebildeten Szenarien. Dies ermöglicht einerseits die Untersuchung von Szenarien, die in der realen Welt nur selten vorkommen oder Menschenleben gefährden. Andererseits ermöglicht die genaue Kontrolle über die Datengenerierung die präzise, isolierte Untersuchung einzelner Deltas. Trotz der Fortschritte moderner Rendering-Engines sind diese jedoch nicht photorealistisch genug, um angelernte Modelle ohne Weiteres von der Simulation, der Quelldomäne, in die reale Welt, der Zieldomäne, übertragen zu können. Aus diesem Grund werden Methoden zur Überwindung des Deltas zwischen synthetischen und realen Daten analysiert.
Cross-Sensor-Anpassung
Im Bereich der Cross-Sensor-Anpassung werden sensorspezifische Fälle der Domänen-Adaption, also Deltas bezüglich ihrer unterschiedlichen Sensorkonfiguration, untersucht. Neben den Änderungen in Sensortyp und Sensortechnologie sind für die zu überbrückenden Deltas Parameter, wie Auflösung, Öffnungswinkel und Einbauposition, zu berücksichtigen. Methoden, die sich bezüglich ihrer Eignung zur Schließung der Deltas herauskristallisiert haben, sind Meta-Lernmethoden, Verfahren, die invariante Merkmale nutzen, GAN-Methoden, Verfahren zur physikalischen Transformation und Wissensgraphmethoden.
Orts- und Zeitdomäne
Änderungen in der Ortsdomäne sowie langfristige Änderungen in der Zeitdomäne stellen zurzeit eine große Herausforderung für auf anderen Daten trainierte KI-Module dar. Beispiele hierfür sind Jahreszeitenwechsel oder landestypische Erscheinungsbilder, wie unterschiedliche Fahrbahnmarkierungen oder Beschilderungen. Oft müssen KI-Module für unbekannte oder anders anmutende Orte neu trainiert werden. Das Projekt erforscht den effizienten Umgang mit diesen Änderungen und entwickelt Methoden für das Erlernen der Deltas und den Wissenstransfer.
Umgebungsanpassung
Neben langfristigen zeitlichen Änderungen sollen auch kurzfristige Umgebungsänderungen, zum Beispiel aufgrund von Wetterbedingungen oder Tageszeiten, untersucht werden. Hier wird die Adaption von KI-Modulen an verschiedene dynamische Änderungen derselben Umgebung behandelt, ohne für jeden Umgebungstyp alle Änderungen aufgezeichnet zu haben.