Motivation
Kontinuierliches Lernen beschreibt den Prozess der Aktualisierung eines Modells des maschinellen Lernens anhand eines andauernden Informationsstromes, sodass das Modell neue, immer komplexere und aktuelle Konzepte lernt. Derzeit steht das kontinuierliche Lernen jedoch vor der Herausforderung des „katastrophalen Vergessens“, bei dem gelernte Modelle dazu neigen, ihr zuvor erworbenes gegebenenfalls weiterhin gültiges Wissen zu überschreiben, wenn sie auf neue Daten oder für eine neue Aufgabe trainiert werden. Dieses Problem ist besonders relevant im Bereich des assistierten und autonomen Fahrens, wo Modelle kontinuierlich aktualisiert werden müssen, um sich an sich verändernde Umgebungen anzupassen.
Ziele und Vorgehen
Das Forschungsvorhaben COPPER zielt daher darauf ab, diese Herausforderungen zu überwinden und neue Konzepte für kontinuierliches Lernen im Bereich des assistierten und autonomen Fahrens zu entwickeln. Damit werden adaptivere Modelle ermöglicht, die weniger Ressourcen für das Training benötigen, und für eine breitere Palette von Anwendungsfällen geeignet sind. Die Arbeiten im Vorhaben werden sich auf die Entwicklung neuer Strategien konzentrieren, um das katastrophale Vergessen zu überwinden und das kontinuierliche Lernen in einer realistischen Umgebung zu ermöglichen.
Innovationen und Perspektiven
Es besteht ein großes Interesse an effizienteren und nachhaltigeren Trainingsstrategien für lernende Systeme in Fahrzeugen, um einerseits die die Menge der zu verarbeitenden Daten zu reduzieren, um datenbezogene Aufwände zu minimieren. Andererseits besteht ein natürliches wirtschaftliches Bedürfnis, die mit dem Training verbundenen Energie-, Zeit- und Rechenkosten zu reduzieren.