Mit Videospielen autonomes Fahren und Studium voranbringen Praxisorientierte Challenge zum Thema Machine Learning für Studierende

Bereits zum siebenten Mal veranstaltete das Institut für Nachrichtentechnik der Technischen Universität Braunschweig das Deep Learning Lab. 30 Studierende hatten die Möglichkeit, Methoden des Maschinellen Lernens anzuwenden und sich in einer Challenge mit anderen Studierenden zu messen. Diesmal ging es um die Optimierung von Bilderkennungsmethoden im städtischen Raum, die zum Beispiel wichtig für die Entwicklung autonom fahrender Fahrzeuge sind.

Die diesjährige Challenge in einem Bild: Links zu sehen das Referenzmodell mit einer Erkennungsgenauigkeit von 32%, rechts das deutlich verbesserte Gewinnermodell mit einer herausragenden Erkennungsgenauigkeit von 75%. Bildnachweis: Cityscapes Dataset, IfN/TU Braunschweig

Mensch, Auto, Fahrrad oder Straße? Menschen können das meist leicht voneinander unterscheiden, Computer und Software hingegen nicht: Sie müssen das Erkennen und Unterscheiden erst lernen. Ein wichtiger Skill für das autonome Fahren. Eine Herausforderung dabei ist, dass für das Training dieser Programme eine große Menge an Bildmaterial benötigt wird und das Labeling/Kategorisieren zeitaufwändig von Menschen vorgenommen werden muss. Eine Alternative besteht darin, die Computerprogramme mit synthetischen (künstlichen) Bildern zu trainieren. Allerdings unterscheiden sich diese Bilder von den Bildern, die das Programm später in der realen Welt „sieht“. Unsupervised Domain Adaptation (UDA), ein Trainingsverfahren, versucht, dieses Problem zu lösen. Die Idee ist, das Programm zunächst mit künstlichen Daten zu trainieren und es dann mit einer kleinen Menge echter, aber nicht gelabelter Bilder auf die echte Welt vorzubereiten.

Im Rahmen des Deep Learning Labs kamen 30 Studierende aus verschiedenen Studiengängen zusammen, darunter Data Science, Informatik, Informations-Systemtechnik, Elektrotechnik, Wirtschaftsingenieurwesen Elektrotechnik und Computational Sciences in Engineering. In Dreier-Teams konnten sie UDA selbst auszuprobieren. Ihre Aufgabe: Mithilfe von synthetischen Bildern und Labeln aus einem urbanen Open-World-Videospiel sowie einem kleinen Anteil gelabelter Stadtlandschaft-Bilder ein Computerprogramm trainieren. Das Ziel: Reale Bilder (Autos, Straße, Fußgänger, etc.) sollten nach dem Training so genau wie möglich kategorisiert werden können.

Vier Praxisphasen

Die Durchführung des Deep Learning Labs gliederte sich in vier verschiedene Praxisphasen. In der ersten Phase lernten die Studierenden das Handwerkszeug: die Programmiersprache Python. In der zweiten Phase wurden Aufgaben zu ausgewählten Methoden des Maschinellen Lernens bearbeitet. Diese beiden Phasen waren in diesem Jahr optional für die Studierenden. Richtig los ging es dann in Phase drei, dem ersten Teil der Machine Learning Challenge. Die Studierenden erhielten eine Aufgabenstellung und einen Übungsdatensatz. Damit konnten sie beginnen, das zuvor Gelernte anzuwenden. Dabei wurden sie von Mentor*innen des Instituts unterstützt. Am Ende dieser Phase erhielten alle Gruppen ein Zwischenresultat ihrer Umsetzung. Mit diesem Feedback im Gepäck ging es in die Abschlussphase, in der die Gruppen ihr finales Modell entwickelten. Am 5. Juli präsentierten die Teams ihre Ergebnisse, drei von ihnen wurden ausgezeichnet.

Die drei Gewinnerteams

Die drei Gewinner: v.l. Anna Tuma, Yannick Stadler und Soukaina Oujaada. Bildnachweis: Andreas Gudat, IfN/TU Braunschweig

Den ersten Platz (600 Euro) sicherten sich Anna Tuma, Soukaina Oujaada und Yannick Stadler, die die Baseline bzw. das Referenzmodell von 32,00 % Erkennungsgenauigkeit auf herausragende 75,00 % Erkennungsgenauigkeit steigern konnten. Für den Sieg hatten die Drei neben ihrem normalen Studienalltag viel Zeit in die Challenge investiert und sich teilweise mehrmals pro Woche getroffen. Zur Teilnahme motiviert worden waren sie zuvor durch die Berichte früherer Teilnehmer*innen. „Es ist aber auch einfach eine einzigartige Gelegenheit, sich in der Praxis auszuprobieren und dabei so viele Freiheiten zu haben“, sagt Anna Tuma. Die größte Herausforderung für die Gruppe war der Start der Challenge. „Es war für uns nicht leicht, das Programm initial zum Laufen zu bringen.“ Auch nach Abschluss der dritten Phase lagen sie noch „nur“ auf dem dritten Platz, konnten sich aber schließlich auf den ersten Platz vorkämpfen.

Die Zweitplatzierten konnten zusätzlich den Umweltpreis gewinnen: V.l. Kevin Düser, Niklas Schwarz, Matthias Müller. Bildnachweis: Andreas Gudat, IfN/TU Braunschweig

Den zweiten Platz belegten Kevin Düser, Matthias Müller und Niklas Schwarz (300 Euro). Sie gewannen zusätzlich den Umweltpreis (450 Euro) für das beste Verhältnis von Performance und Rechenzeit und zeigten damit, dass auch mit geringem Stromverbrauch gute Ergebnisse erzielt werden können. Das Podium komplettierte das Team Darius Heerklotz, Berke Katranci und Aravind Meena Krishnan Gopakumar (150 Euro).

Der dritte Platz: v.l. Darius Heerklotz, Berke Katranci und Aravind Meena Krishnan Gopakumar. Bildnachweis: Andreas Gudat, IfN/TU Braunschweig

„Die Teilnahme am Deep Learning Lab lohnt sich aber nicht nur für das Preisgeld und die Möglichkeit zum praxisorientierten Lernen. Unsere Abschlussveranstaltung bot den Teilnehmer*innen die Möglichkeit, sich mit drei namhaften Unternehmen, den Sponsoren, zu vernetzen. An der Präsenz der Firmenvertreter*innen bei der Preisverleihung merken die jungen Leute, welch wertvolle Kompetenzen sie im Studium erworben haben“, resümiert der Leiter des Deep Learning Labs Professor Tim Fingscheidt.