Entwickle einen machine-learning basierten Regelungsalgorithmus für ein autonom driftendes Fahrzeug

Institut

Lehrstuhl für Fahrzeugtechnik

Typ

Masterarbeit /

Inhalt

experimentell / theoretisch /  

Beschreibung

Die Entwicklungen im Bereich des autonomen Fahrens schreiten weiterhin schnell voran, und die Herausforderungen, die damit einhergehen, sind vielfältig. An der TUM wird in Zusammenarbeit mit mehreren Lehrstühlen intensiv an Softwarelösungen für verschiedene Fahrzeugplattformen gearbeitet – von Rennfahrzeugen bis hin zu Großserienfahrzeugen.

Gemeinsam mit unserem Forschungspartner Mercedes AMG erforschen wir die Anwendung von Trajektorienfolgealgorithmen unter hohem Schwimmwinkel auf Seriensportwagen. Dies ist ein interessantes Thema und ein aufstrebendes Forschungsfeld, da wir dadurch Erfahrungen in der Stabilisierung von hochgradig nichtlinearen Fahrsituationen und Notausweichmanövern unter Unsicherheit sammeln können.

In früheren Arbeiten wurde bereits ein Regelungskonzept entwickelt, das Drifts durch den Einsatz von Fahrdynamikregelung stabilisieren kann. Die nächste Herausforderung besteht darin, dieses Konzept durch die Integration der Bremse als zusätzlichen Aktor zu erweitern, um die Regelgüte weiter zu verbessern. Zudem sollen Teile der Fahrzeugmodellierung, insbesondere der Antriebsstrang und die Reifen, durch den Einsatz neuronaler Netze ersetzt werden, um die Prädiktionsgüte des Modells und damit die Präzision des Reglers zu steigern.

 

Die Arbeit umfasst dabei diese Teilschritte:

• Literaturrecherche zum Stand der Technik in den Bereichen Drifting Control und neuronale Netze in der Fahrzeugmodellierung

• Erweiterung des bestehenden Regelungskonzepts, um die Bremse als zusätzlichen Aktor zu integrieren

• Implementierung von neuronalen Netzen zur Modellierung des Antriebsstrangs und Reifen und Analyse der Auswirkungen auf die Prädiktionsgüte des Fahrzeugmodells

• Simulation und Test der erweiterten Regelung in einer Simulationsumgebung

• Validierung durch reale Tests auf einem Erprobungsträger von Mercedes-AMG

• Analyse der Ergebnisse und deren Auswirkungen auf die Präzision und Robustheit des Drift Controllers

• Diskussion der Ergebnisse und Ableitung von Empfehlungen für zukünftige Weiterentwicklungen

Voraussetzungen

Mitbringen solltest Du:
    • Kreativität / Selbstständigkeit
    • Hohe Eigenständigkeit
    • Gute Kenntnisse im Bereich nichtlinearer Regelung/Machine Learning
    • Gute Programmierkenntnisse in Matlab/Python
    • Spaß am autonomen Fahren als Forschungsfeld
    • Reisebereitschaft zum Forschungspartner

Eigeninitiative und weitere Ideen um den Fokus der Arbeit mitzugestalten sind erwünscht.

Interessierte Studierende werden gebeten, sich mit einem Lebenslauf und einem Notenauszug sowie einem kurzen Motivationsschreiben auf diese Aufgabenstellung zu bewerben.

Bewerbungen auch als Team möglich.

Industriepartner

Mercedes AMG

Verwendete Technologien

Matlab, Programming, Autonomous Driving, Machine Learning, Reinforcement Learning, Deep Learning, Model Predictive Control, MPC

Tags

FTM Studienarbeit, FTM AV, FTM Werner, FTM Informatik

Möglicher Beginn

sofort

Kontakt

Frederik Werner, M.Sc.
Raum: MW 3508
Tel.: +49.89.289.10341
frederik.wernertum.de

Ausschreibung