BLUEASSIST

Die wesentlichen Tätigkeiten und Ziele des Verbundprojektes sind:

• Vertiefter Austausch mit potentiellen Anwendern
• Konzeption eines Gesamtsystems, bestehend aus UAV, darauf abgestimmter Nutzlast zur Datenerfassung und Übertragung und angegliederter Bodenstation
• Entwicklung einer mit Brennstoffzellen gespeisten, hybrid-elektrischen Antares E2
• Konzept für die Integration eines Multisensorsystems, einer Datenübertragungseinheit und einer Bodenkontrollstation

Dabei beteiligt sich das Fraunhofer IOSB mit seiner Abteilung SZA an der:

• Untersuchung von Methoden für automatisierte Daten(vor)auswertung, Filterung und Kompression onboard im Hinblick auf eine effiziente Datenübertragung
• Entwicklung Anwendungsspezifische Auswerteverfahren und Konzeption der dafür notwendigen Hardware-Komponenten für die Bodenstation.
   

Beteiligung der Abteilung Szenenanalyse SZA:

Multisensorielle Datenverarbeitung und –Auswertung (onboard + Bodenstation)

Weitverbreitete Kamerasysteme zur Überwachung aus der Luft bieten Firmen wie Trakka Systems mit dem Modell TC-300 an. Durch den schwenkbaren und stabilisierten Aufbau mit integrierter Thermal- und HDTV-Kamera, ist mit durchgehendem Zoom eine ausreichend hohe Flexibilität gewährleistet. Um die Leistungsfähigkeit dieses Kamerasystems im Bereich der Schiffserkennung aus der Luft zu prüfen, wurde am Fraunhofer IOSB Künstliche Intelligenz (mit MS COCO vortrainierte Mask R-CNN Netzwerke) auf einen Videoausschnitt der Kamera angewendet.

Mask R-CNN sind Instanz-Segmentierungsverfahren nach aktuellem Stand von Wissenschaft und Technik, bei denen eingehende Bilder durch verschiedene Netzwerke (FPN, RPN) verarbeitet, sowie Merkmale segmentiert und klassifiziert werden. Auf Grund der Modularität und der mehrphasigen Struktur lassen sich Mask R-CNN vergleichsweise leicht auf neue Szenarien trainieren.

Als ein vergleichbares Szenario ist die automatische Detektion von Personen. Dazu wurde das bereits beschriebene Framework der KI nicht auf Schiffe, sondern auf Personen trainiert. Eine Veränderung der Perspektive (nun terrestrisch) stellt dabei kein Problem dar.

Ebenso wird auf KI in Form von Convolutional Neural Networks (CNN) bei der schritthaltenden Detektion von Fahrzeugen aus der Luft zurückgegriffen. Dabei besteht das Netz aus zwei Ästen: der Klassifikationszweig führt auf Grund seiner vier Pooling Schichten einerseits zu einer hohen Klassifikationsleistung, andererseits zu einer starken Reduktion der räumlichen Auflösung. Der Segmentierungszweig beinhaltet nur eine Pooling Schicht und kompensiert mit der entsprechend hochpräzisen Auflösung die Reduktion durch den Klassifikationszweig. Trotz der Verwendung von Grafikkarten-Programmierung muss dieser Algorithmus durch den enormen Rechenaufwand auf jedes fünfte Bild warten, um Schritt halten zu können. Auf Grund der großen Überlappung der einzelnen Bildbereiche ist dieses Verfahren trotzdem als echtzeitfähig zu bezeichnen.
Video Quelle: SELSAS

Finanziert wird dieses Projekt durch die Forschungsinitiative mFUND (Modernitätsfond) des Bundesministeriums für Verkehr und digitale Infrastruktur BMVI und deren Ideen- und Förderaufruf „UAS und Flugtaxis“.