Im Juni 2017 kündigte Apple-CEO Tim Cook an, dass das Unternehmen seine Ressourcen auf autonome Systeme für selbstfahrende Autos konzentriert. Er bezeichnete dies als "die Mutter aller KI-Projekte" und stellte klar, dass Apple kein eigenes Fahrzeug bauen wird. Danach wurde es ruhig um das Thema.
Erst kürzlich lieferte Apples Abteilung für maschinelles Lernen erste Einblicke in ihre Ansätze. Forscher haben ein Paper auf arxiv.org veröffentlicht, das ein Kartierungssystem beschreibt. Dieses nutzt Bordsensoren, um die autonome Navigation präziser zu machen – und könnte auch Haushaltsroboter sowie erweiterte oder virtuelle Realität verbessern.
Siehe verwandte Artikel: Tim Cook: "Wenn wir nicht mehr Frauen in MINT gewinnen, verlieren die USA ihren Tech-Vorsprung" | Fahrerlose Lastwagen kommen nach Großbritannien
Apples System trägt den Namen VoxelNet. Es holt mehr Präzision aus LIDAR-Sensoren heraus – den "Augen" vieler autonomer Fahrzeuge.
LIDAR funktioniert, indem es Laserpulse abfeuert und die Rücklaufzeit misst, um Entfernungen zu berechnen und 3D-Karten zu erstellen. Ein Nachteil: Objekte werfen Schatten, die Lücken in den Karten verursachen.
Ingenieure kompensieren das, indem sie LIDAR-Daten in Voxel (3D-Pixel) zerlegen und Objekte wie Autos oder Fußgänger erkennen. Apples Forscher Yin Zhou und Oncel Tuzel schlagen ein neuronales Netzwerk vor, das dies end-to-end erledigt – ohne manuelles Feature-Engineering. VoxelNet vereint Merkmalsextraktion und Bounding-Box-Vorhersage in einem einzigen, trainierbaren Deep-Learning-Netzwerk.
Apple ist nicht allein bei der LIDAR-Optimierung, doch die Ergebnisse überzeugen: In Simulationen übertrifft VoxelNet aktuelle Methoden bei weitem.
Dieser Schritt ist bemerkenswert für das sonst verschlossene Apple in der KI-Forschung. Arxiv.org dient der Ideenverbreitung, kein Peer-Review. Es deutet jedoch auf mögliche Entwicklungsrichtungen hin. Im Juli startete Apple einen Blog zu Machine Learning mit Beiträgen zu Siri und Gesichtserkennung – autonome Autos fehlen noch.
Bild: Eine Folie aus dem Paper von Yin Zhou und Oncel Tuzel