Learning to Drive: Hybrid Motion Planning Integration and Evaluation in Autoware

Institut

Professur für autonome Fahrzeugsysteme

Typ

Semesterarbeit / Masterarbeit /

Inhalt

experimentell / theoretisch /  

Beschreibung

Auch als IDP oder Forschungspraktikum möglich!

Wir beschäftigen uns mit der Entwicklung neuer Algorithmen, die dynamische Trajektorien- und Verhaltensplanung, adaptive Regelung und kontinuierlich lernende Systeme ermöglichen.

Die Automobilindustrie befindet sich in einem tiefgreifenden Wandel, da autonome Fahrzeuge immer mehr an Bedeutung gewinnen. Ein entscheidender Aspekt bei der Entwicklung autonomer Fahrzeuge ist die Fähigkeit, sicher und effizient Trajektorien zu planen und diese in geeignete Steuerkommandos umzusetzen. Bereits heute können autonome Fahrzeuge in bestimmten Anwendungsbereichen eigenständig agieren, ohne auf einen menschlichen Fahrer angewiesen zu sein. Dennoch ist das autonome Fahren noch lange nicht serienreif. Insbesondere in komplexen und sicherheitskritischen Situationen stoßen die Fahrzeuge an ihre Grenzen. Daher werden fortschrittliche Algorithmen und Echtzeitsysteme benötigt, um die komplexen Anforderungen der realen Welt zu erfüllen.

Ein zentraler Forschungsschwerpunkt am AVS Lab ist die Entwicklung hybrider Planungsansätze, die klassische, analytisch überprüfbare Verfahren mit datengetriebenen Methoden kombinieren. Unser Hybrid Motion Planning Framework verfolgt den Ansatz, die Effizienz samplingbasierter Planer durch ein lernendes Modul zu steigern, das den Sampling-Prozess mit Hilfe von Reinforcement Learning intelligent steuert. Dabei bleibt die Trajektoriengenerierung und -bewertung vollständig nachvollziehbar und überprüfbar. Dieses Konzept wurde bereits erfolgreich in der CommonRoad-Simulationsumgebung implementiert und getestet.

Ziel dieser Arbeit ist die Integration des hybriden Motion Planning Frameworks in die Autoware-Architektur. Dabei soll auf vorhandene Softwarekomponenten aufgebaut werden, die zu einer einheitlichen Planungs- und Evaluationspipeline zusammengeführt und an die Autoware-Standards angepasst werden. Neben der funktionalen Integration stehen die Implementierung geeigneter ROS 2-Schnittstellen, die Kommunikation zwischen Lernmodul und deterministischem Planer sowie die Evaluation der Performance im Vordergrund. Bei entsprechendem Fortschritt und Qualität der Implementierung ist eine Integration auf unserem Forschungsfahrzeug EDGAR vorgesehen, um den hybriden Planer unter realen Bedingungen zu testen.

Diese Arbeit richtet sich an Studierende, die sich für die Kombination aus autonomem Fahren, Reinforcement Learning, Motion Planning und ROS 2 begeistern und aktiv an der Weiterentwicklung unseres lernbasierten Planungsframeworks mitwirken möchten.

Arbeitspakete:

1. Literaturrecherche zu hybriden Motion-Plannern und Reinforcement-Learning-Ansätzen im autonomen Fahren
2. Einarbeitung in das bestehende Hybrid Motion Planning Framework (Learning-to-Sample)
3. Analyse der relevanten Planungsarchitekturen und Schnittstellen in Autoware
4. Zusammenführung und Anpassung vorhandener Softwarekomponenten zur Integration in Autoware
5. Implementierung von ROS 2-Schnittstellen und Kommunikationsstrukturen zwischen Lernmodul und deterministischem Planer
6. Test und Evaluation in geeigneten Simulationsszenarien innerhalb der Autoware-Umgebung
7. Bei entsprechender Qualität: Integration und Evaluation auf dem Forschungsfahrzeug EDGAR
8. Dokumentation und Visualisierung der Ergebnisse

Voraussetzungen

Mitbringen solltest du:

• Gute Programmierkenntnisse in Python, C++ o.ä.
• Interesse am autonomen Fahren
• Erfahrungen mit Ubuntu
• Hohe Eigenständigkeit
• Freude am Arbeiten im Team

Die Forschungsarbeit kann unmittelbar begonnen werden. Alle Arbeitsmittel sind vorhanden. Die Anwesenheit am Lehrstuhl ist nicht erforderlich, aber möglich.

Sende bei Interesse am Thema deinen Lebenslauf, und den aktuellen Notenauszug an untenstehende Kontaktdaten. Gerne stelle ich dir das Thema im Detail in einem persönlichen Gespräch vor.

Unvollständige Bewerbungen können leider nicht berücksichtigt werden.

Verwendete Technologien

Python, C++, Git, CommonRoad, Ubuntu

Tags

AVS Moller

Möglicher Beginn

sofort

Kontakt

Korbinian Moller
Tel.: 089 289 10411
korbinian.mollertum.de