kontakt@camo.nrw +49 202 / 439 1164

Neural Information Processing Systems

Die 34. Neural Information Processing Systems-Konferenz (NeurIPS) hat dieses Jahr wieder eine Vielzahl an Inhalten rund um das Thema Künstliche Intelligenz und Maschinelles Lernen geboten. Die NeurIPS zählt mit über 20.000 Teilnehmer:innen in diesem Jahr zu den wichtigsten internationalen KI-Konferenzen. An der NeurIPS beteiligen sich Unternehmen wie Google, Amazon, Facebook und Netflix um ihre Erkenntnisse und Forschungsarbeiten mit der wissenschaftlichen Community zu teilen.

Der Best-Paper Award ging an drei eingereichte wissenschaftliche Arbeiten. Das Paper „Improved guarantees and a multiple-descent curve for Column Subset Selection and the Nystrom method“ [1] behandelt die Zusammenfassung (Komprimierung) von großen Datenbeständen. Diese Arbeit ist für eine intelligente Mobilität und die digitale Referenzkarte (digitaler Zwilling) von besonderer Bedeutung, um das zukünftige Datenaufkommen verarbeiten und die Qualität beurteilen zu können. Ein weiterer Best-Paper Award ging an das Paper „No-Regret Learning Dynamics for Extensive-Form Correlated Equilibrium“ [2], welches Möglichkeiten darlegt, das Zusammenspiel verschiedener Agenten hinsichtlich individueller und globaler Ziele zu optimieren. Dieses Konzept kann auf eine intelligente Verkehrssteuerung übertragen werden, sodass nicht nur die individuellen Ziele (kurze Reisezeiten) der Verkehrsteilnehmer berücksichtigt werden, sondern auch globale Ziele (z.B. Reduktion der Schadstoff- und Lärmemissionen, Verbesserung der Mobilitätsnutzung).     

Die Arbeiten drei [3]und vier [4] stellen neuartige Konzepte für die Verkehrsoptimierung und -vorhersage vor. In [3] wird ein Ansatz für die Steuerung von Lichtsignalanlagen präsentiert, der im Vergleich zu anderen KI-Ansätzen einfacher auf neue Kreuzungssituationen übertragen werden kann und somit das Potential für eine hohe Marktdurchdringung aufweist. Ein neuer Ansatz für die Vorhersage des Verkehrsgeschehens wurde in [4] entwickelt. Eine Auswertung auf Basis realer Verkehrsdaten bestätigt die Qualität der Verkehrsvorhersage. Der Einsatz dieser Methode ist besonders für die Analyse der Verkehrsdynamik (Stop-and-Go-Wellen, Umlaufzeiten einer Ampel) und die Verkehrsplanung (Spitzenstunde, Verkehrsverhalten) geeignet.    

Die zahlreichen Beiträge der Konferenz zeigen somit neue Möglichkeiten auf, den Verkehr der Zukunft mit maschinellen Lernverfahren zu optimieren und die Leistungsfähigkeit einer digitalen Referenzkarte bzw. datenintensiver Anwendungen weiter zu steigern. 

Literatur

[1] Dereziński, M., Khanna, R. and Mahoney, M., 2020. Improved guarantees and a multiple-descent curve for Column Subset Selection and the Nyström method. In: 34th Conference on Neural Information Processing Systems. [online] Vancouver. Available at: https://proceedings.neurips.cc/paper/2020/file/342c472b95d00421be10e9512b532866-Paper.pdf

[2] Celli, A., Marchesi, A., Farina, G. and Gatti, N., 2020. No-Regret Learning Dynamics for Extensive-Form Correlated Equilibrium. In: 34th Conference on Neural Information Processing Systems. [online] Vancouver. Available at: https://proceedings.neurips.cc/paper/2020/file/5763abe87ed1938799203fb6e8650025-Paper.pdf

[3] Oroojlooy, A., Nazari, M., Hajinezhad, D. and Silva, J., 2020. AttendLight: Universal Attention-Based Reinforcement Learning Model for Traffic Signal Control. In: 34th Conference on Neural Information Processing Systems. [online] Vancouver. Available at: https://proceedings.neurips.cc/paper/2020/file/29e48b79ae6fc68e9b6480b677453586-Paper.pdf

[4] Bai, L., Yao, L., Li, C., Wang, X. and Wang, C., 2020. Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting. In: 34th Conference on Neural Information Processing Systems. [online] Vancouver. Available at: https://proceedings.neurips.cc/paper/2020/file/ce1aad92b939420fc17005e5461e6f48-Paper.pdf

Verwandte Artikel

Aktuelle Trends in der künstlichen Intelligenz beim automatisierten Fahren

Auf der diesjährigen internationalen Konferenz CVPR hat der CAMO Mitarbeiter Jan Kronenberger zusammen mit Kollegen der Arbeitsgruppe künstliche Intelligenz, einen Beitrag zur Absicherung von Objekterkennungssystemen mit künstlicher Intelligenz vorgestellt. Die CVPR (Computer Vision and Pattern […]

Mehr erfahren

Absicherung von KI-basierten Wahrnehmungsfunktionen

Das Umfeld wahrzunehmen gehört zu den grundlegenden Aufgaben automatisierter Fahrzeuge und intelligenter Infrastruktur. Unter der Umfelderfassung bzw. Umfeldwahrnehmung versteht man die Erfassung relevanter Verkehrsteilnehmer (Personen, Fahrzeuge, Radfahrer) und Infrastrukturkomponenten (Trassierung, Fahrbahnmarkierungen, Leitpfosten, Ampeln, Verkehrsschilder) die […]

Mehr erfahren

Verband Deutscher Verkehrsunternehmen (VDV) nimmt Stellung zum Rechtsrahmen für das autonome Fahren

Der VDV ist der Branchenverband für über 600 Unternehmen des öffentlichen Personen- und Schienengüterverkehrs in Deutschland. Er betreibt u. a. Öffentlichkeitsarbeit für den öffentlichen Verkehr und vertritt die Interessen seiner Mitglieder gegenüber der Politik. In […]

Mehr erfahren