Warum sind Parquerys Lösungen so viel besser als Standardlösungen?

Nachts, Starkregen, wenig Licht, starke Reflexionen, intensive Blendwirkung, Sichtbehinderungen.
Die Aufnahmen vom P+R Parkplatz der Schweizer Bundesbahnen (SBB CFF FFS) zeigen, wie robust unsere KI auch unter widrigen Bedingungen ist, selbst bei vielen Faktoren gleichzeitig.

Mehr zu diesem Projekt: SBB Park & Ride

Aus Fehlern wird man klug: Wie KI durch Lernen immer besser wird

Das System von Parquery passt sich durch sogenanntes Trainieren oder Lernen 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.

Die echte Welt folgt keinem mathematischen Modell

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.

Gibt auch Zusatzbelastung nicht auf

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.

Was sind die Bausteine von Parquerys Lösung?