Warum funktioniert die Parquery-Lösung für jedes Fahrzeug, jede Parksituation und jede Wetterlage?
Die Smart-Parking-Lösung von Parquery nutzt Kameras und Künstliche Intelligenz (KI) zur Belegungserkennung von Parkplätzen. Die intelligenten Algorithmen laufen entweder in der Cloud oder lokal auf dem Betriebsgelände und erkennen Fahrzeuge in den Kamerabildern und bestimmen, ob die einzelnen Stellplätze belegt sind.
Die Aufnahmen eines Parquery-Kunden zeigen, wie robust die KI-Lösung von Parquery auch unter widrigen Bedingungen ist, selbst wenn mehrere Faktoren gleichzeitig auftreten: nachts bei wenig Licht, Starkregen, intensiver Reflexionen und Blendwirkung sowie bei Sichtbehinderungen.
Die Stärke von Parquerys Lösung liegt in den innovativen Deep Neural Networks - Algorithmen für maschinelles Lernen, die das System in die Lage versetzen, sich anzupassen an jedes:
z.B. Autos, Lastkraftwagen, Busse, Züge, Motorräder, Fahrräder, Schiffe, Traktoren, Bau- oder Bergbaumaschinen, Flugzeuge
Schiffe
Flugzeuge
Lastwägen
Baumaschinen
Personen or Silhouetten
z.B. drinnen oder draussen, Strassenparkplätze, Parkhäuser, Autobahnparkplätze für Lastwagen, Verkehrszählung, Tankstellen, Laden von Elektroautos
in Parkhäusern
im Freien
am Strassenrand
Tankstellen
Autobahnparkplatz für Lastwagen
Wetter
z.B. gleissender Sonnenschein, glänzender Regen, Schneebedeckung, Nebel
gleissende Sonne
reflektierender Asphalt im Regen
nächtlicher Nebel
Schnee
Beleuchtungssituation
bei Tag und Nacht, mit sichtbarem Licht oder Infrarot, natürliches oder künstliches Licht von Strassenbeleuchtung oder Scheinwerfern, gleichförmige Ausleuchtung und extreme Kontraste (z.B. grelles Sonnenlicht), wandernde Schatten
Nacht
Dämmerung: natürliches und künstliches Licht
starke Kontraste
wandernde Schatten
z.B. CCTV Überwachungskameras, Webcams, stationär und drehbar, hoch- und niedrig-auflösend, Fischauge- bis Schmalwinkelobjektive
Weitwinkelobjektiv
Fischaugeobjektiv
Normalobjektiv
Das System von Parquery passt sich durch Trainieren oder Erfahrungen an eine neue Umgebung an - das heisst, es lernt aus seinen Fehlern - genau wie wir. Es beginnt mit einem generischen Modell, das aus einer Vielzahl von Parksituationen abgeleitet wird. Dieses Modell wird im Laufe der Zeit verfeinert und für die konkreten Gegebenheiten eines bestimmten Parkraums optimiert, indem es anhand neuer Daten trainiert wird. So gewinnt es Erfahrung und steigert die Wahrscheinlichkeit eines korrekten Ergebnisses beim nächsten Mal.
Hält die KI beispielsweise einen Pritschenwagen aufgrund des gleichförmigen Aussehens der Ladefläche fälschlicherweise für einen freien Parkplatz, übersieht es Unterscheidungsmerkmale, die zunächst nicht relevant erschienen. Durch Rückmeldung über den Fehler, Analysieren und Lernen der Nuancen identifiziert und erlernt der KI-Algorithmus ein neues Charakteristikum, das zukünftig zwischen einem leeren Parkplatz und einer leeren Ladefläche differenziert. Damit verbessert sich in der Folge die Wahrscheinlichkeit einer korrekten Unterscheidung.
Neben deutlichen Abweichungen zwischen den einzelnen Parkplatzanlagen - wie z.B. dem Grundriss, der Anordnung der Stellplätze, Sichtbehinderungen oder ob es sich um einen Innen- oder Aussenparkplatz handelt - bestehen weitere Faktoren, wie z.B. die Licht- und Wetterverhältnisse, die Art der Fahrzeuge und visuelle Verzerrungen aufgrund der Kameraoptik.
Vorher: Anhänger und Pritschenwagen wurden irrtümlich als freie Flächen eingestuft.
Auffällig ist, dass das Erscheinungsbild der Ladeflächen dem der Strassenoberfläche ähnelt: Die Muster auf der Ladefläche ähneln dem Aussehen von ausgebessertem Asphalt, dem Schatten von Bäumen, Ölflecken oder Pfützen nach dem Regen.
Nach der Umschulung: Das System erkennt Pritschenwagen ohne Merkmale korrekt, unabhängig davon, wo sie geparkt sind, und mit verschiedenen Kameraperspektiven.
Im Regelfall liegt die sofortige Erkennungsgenauigkeit der lernfähigen Lösung von Parquery bei etwa 95 % vor der Anpassung an den konkreten Parkraum. Der Fehler von 5 % betrifft nicht erkannte Fahrzeuge (so genannte falsche Negative) und leere Parkbuchten, die als besetzt interpretiert werden (falsche Positive). Im Laufe des ersten Monats sammelt und annotiert Parquery die Bilddaten des Parkplatzes, um daraus das Lernmaterial für die KI-Algorithmen zu erstellen.
Am Ende des ersten Monats erreicht Parquery eine Genauigkeit von 99 % dank des Trainings und der Anpassung der Algorithmen an die Gegebenheiten des jeweiligen Parkplatzes.
Die physische Welt ist vielfältig und folgt keinen starren Normen, abstrakten Regeln und theoretischen Modellen.
Das System von Parquery ist für genau diese Welt entwickelt worden: Das heisst, es ist robust und arbeitet mit Unvollkommenheiten, Abweichungen, Versäumnissen oder Veränderungen.
Nicht alle Fahrer befolgen Bodenmarkierungen, sondern parken quer oder diagonal über mehrere Plätze hinweg. Manche Fahrzeuge sind zu gross, um in eine einzige Parklücke zu passen und ragen darüber hinaus oder nutzen mehrere Stellplätze. Baumkronen, überhängende Dächer oder grössere Lastwagen können andere Fahrzeuge teilweise vor der Kamera verbergen. Am Rande ihres Sichtfeldes erfassen die Kameras Parkplätze möglicherweise nur unvollständig.
Die Algorithmen von Parquery erkennen Fahrzeuge, egal ob sie nicht vollkommen korrekt, schräg oder quer eingeparkt sind, oder über die Begrenzungen hinausragen.
Selbst wenn die Fahrzeuge über mehrere Stellplätze hinweg geparkt sind und sich überhaupt nicht an die vorgegebenen Markierungslinien halten, funktionieren die Algorithmen von Parquery.
Damit das System von Parquery funktioniert, müssen weder die Kameraabdeckung noch die Parkverhalten perfekt sein. Die Algorithmen arbeiten mit unvollständigen Daten und erkennen Fahrzeugteile - sei es, dass sie von anderen verdeckt sind, von Fussgängern oder Radfahrern passiert werden, über mehrere Stellplätze geparkt sind, be- oder entladen werden oder am Rand des Kamerabildes stehen, wo sie nur zum Teil sichtbar sind.
Dauerhafte (Bäume, Laternenpfähle, Werbetafeln, Strassenschilder, Dächer) oder vorübergehende Verdeckungen (Halteverbotsschilder, Baustellenzäune)
Partielle Sichtbehinderungen wie vorbeifahrende Reise- und Linienbusse, Lastwägen, Passanten oder Fahrradfahrer sowie Veränderungen des Erscheinungsbildes, z.B. offene Türen beim Be- und Entladen oder Einkaufswagen, beeinträchtigen die Erkennung nicht.
Gleichzeitig bewältigen die Algorithmen von Parquery die Gratwanderung, robust gegenüber Rauschen und Hintergrundmustern zu bleiben, die aus dem Zusammenhang gerissenen Fahrzeugteilen ähneln können. Ölflecken, Schatten, Reflexionen, kaputte Strassenbeläge, reparierte Stellen im Asphalt, Reifenspuren, Einkaufswagen, Müll oder zurückgelassene Abfälle sind typische Beispiele für solche Situationen.
Die Algorithmen von Parquery unterscheiden Fussgänger, Koffer, Einkaufswagen, Radfahrer etc. von Fahrzeugen.
Verstreute Abfälle, Öl- und Wasserflecken, abtrocknender Regen, Reifenspuren, Herbstlaub oder Schnee führen die KI von Parquery nicht in die Irre.
Parquerys Algorithmen sind auch robust gegenüber anderen typischen Problemen bei kamerabasierten Systemen: Linsenreflexionen bei Gegenlicht, Kratzern und Verunreinigungen der Kameralinse durch Staub, Regentropfen, Kondenswasser oder sogar Spinnennetzen, die das Licht einfangen und reflektieren.
Kein System ist zu 100 % ausfallsicher - wenn die Kamerasicht vollständig blockiert ist, kann auch die cleverste KI dies nicht wettmachen.
Aber selbst hier: obwohl es kaum zu erkennen ist, wird ein Auto (gelber Punkt) in der abgebildeten Originalaufnahme immer noch erfasst.