Masterarbeit (ggf. auch als Bachelorarbeit durchführbar): Deep Learning in 3D-Simulation
Im März 2016 rückte das Forschungsfeld „Deep Learning” in den Fokus der Öffentlichkeit, als das Computerprogramm „AlphaGo” [1] einen der weltbesten menschlichen Spieler im Brettspiel Go schlug. Viele der grundlegenden Techniken des Maschinellen Lernens (z.B. Verstärkendes Lernen, Künstliche Neuronale Netze) sind schon seit Jahrzehnten bekannt. Jedoch haben ein großes Interesse aktueller Forschung sowie rapide steigende Verfügbarkeit von Rechenleistung zu beeindruckenden Anwendungen geführt, z.B. bei Verfahren zur Bilderkennung, in Suchmaschinen und Algorithmen für Künstliche Intelligenz, wie der Erfolg von AlphaGo zeigt.
Ziel dieser Arbeit soll sein, den Einsatz moderner Methoden des Deep Learning in 3D-Simulationen zu erproben. Können die verfügbaren Ansätze zur Bewertung oder Klassifikation von Simulationsläufen benutzt werden oder gar optimale Simulationsparameter „erlernen“? Können bestehende Reglersysteme für z.B. die Roboter-, Fahrzeug- oder Satellitensteuerung in simplen Szenarien durch Deep Learning unterstützt oder gar ersetzt werden?
Am MMI steht die 3D-Simulationsumgebung „VEROSIM“ mit verschiedenen Modellen für z.B. Fahrzeug- und Satellitensteuerung zur Verfügung. Die Programmierung ist in C++, Python und MATLAB möglich. Bei einer Literaturrecherche sollen u.a. mehrere bestehende „große“ Deep Learning Frameworks untersucht werden, wie z.B. TensorFlow [2], Caffe [3], Theano [4] oder Keras [5]. Mit Hilfe einer solchen Bibliothek können dann zunächst einfache Experimente mit einer physikalischen Starrkörpersimulation unternommen werden – einen guten Eindruck vermittelt das Projekt „OpenAI Gym“ [6]. Ein simples Beispiel dort ist die „erlernte Regelung“ eines inversen Pendels [7].
Virtuelle Teststrecke im Simulationssystem VEROSIM.
Im weiteren Verlauf der Arbeit können dann komplexere Szenarien untersucht werden, wie z.B. das autonome Fahren eines Fahrzeugs entlang einer Teststrecke, oder der autonome Anflug eines Satelliten wie z.B. des ATV an die internationale Raumstation ISS [8]. Falls das Erlernen solch komplexer Aufgaben nicht möglich ist, kann auch eine Bewertung oder Klassifikation von bestehenden Simulationsläufen vorgenommen werden.
Stichworte: 3D Simulation, Deep Learning, Machine Learning, Reinforcement Learning, Deep Neural Networks, Autonomous Driving, RvD, ATV
[1] AlphaGo: https://deepmind.com/alpha-go
[2] Caffe: http://caffe.berkeleyvision.org/
[3] TensorFlow: https://www.tensorflow.org/
[4] Theano: http://deeplearning.net/software/theano/
[5] Keras: http://keras.io/
[6] OpenAI Gym: https://gym.openai.com/
[7] Inverses Pendel in OpenAI Gym: https://gym.openai.com/envs/CartPole-v0
[8] Annäherungsmanöver eines ATV an die ISS: https://www.youtube.com/watch?v=nbNha-muJq0
Betreuer: Dipl.-Phys. Linus Atorf, Mail: , Tel.: 0241 80-26109
Weitere Arbeiten
MA: Automatisierung der Verhandlung von digitalen Nutzungsrechten durch Self-sovereign Digital Twins
