Risikobewusste Szenarioanalyse basierend auf LLMs im autonomen Fahren

Institut

Professur für autonome Fahrzeugsysteme

Typ

Bachelorarbeit / Semesterarbeit / Masterarbeit /

Inhalt

experimentell / theoretisch /  

Beschreibung

[For English version see below.]

Hintergrund

Die Autonomie von Fahrzeugen hat sich in den letzten Jahren rasant weiterentwickelt und erreicht inzwischen ein Niveau, auf dem menschliches Eingreifen in bestimmten kontrollierten Umgebungen kaum oder gar nicht mehr erforderlich ist. Führend sind hier die Fahrzeughersteller Mercedes und BMW, die je nach Auslegung autonome Straßenfahrzeuge auf Level 3 anbieten. Dieser Fortschritt basiert wesentlich auf der Entwicklung und Validierung hochzuverlässiger Fahrfunktionen. Die Gewährleistung der Sicherheit und Zuverlässigkeit dieser Fahrfunktionen erfordert umfassende Tests in vielfältigen und herausfordernden Szenarien.

Szenariobasierte Tests haben sich in diesem Kontext als kosteneffiziente Methode zur Simulation realistischer Fahrbedingungen etabliert. Sie ermöglichen es, zu überprüfen, wie gut eine Fahrfunktion die Anforderungen erfüllt. Eine entscheidende Herausforderung besteht jedoch darin, festzustellen, ob diese Szenarien ausreichend sicherheitskritisch sind – das heißt, ob sie die vollständige Absicherung abdecken. Dies ist unerlässlich, um sicherzustellen, dass Fahrfunktionen auch seltene oder undenkbare, aber gefährliche Fahrsituationen bewältigen können, wodurch ihre Robustheit und Zuverlässigkeit weiter erhöht wird.

Aktuelle Lücken in szenariobasierten Tests

1. Begrenzte Bewertung der Sicherheitskritikalität: Bestehende Methoden können oft nicht genau bestimmen, wie sicherheitskritisch ein Szenario ist, und übersehen potenziell wichtige Extremsituationen.

2. Fehlende Feedback-Mechanismen: Nach der Bewertung eines Szenarios gibt es nur begrenzte Möglichkeiten, es basierend auf seiner sicherheitskritischen Bewertung zu verfeinern.

3. Manuelle Analysebeschränkungen: Die Bewertung von Szenarien erfordert häufig erheblichen manuellen Aufwand, was sowohl zeitaufwändig als auch anfällig für Subjektivität ist.

Um diese Herausforderungen zu bewältigen, können Large Language Models (LLMs), die in der Lage sind, komplexe textuelle und kontextuelle Daten zu verarbeiten und zu analysieren, genutzt werden, um die sicherheitskritische Bewertung von Fahrszenarien zu verbessern.

Zielsetzung

Das primäre Ziel dieses Projekts ist die Entwicklung eines Frameworks, das LLMs zur risikoorientierten Analyse generierter Fahrszenarien verwendet. Das Framework soll bewerten, ob ein Szenario sicherheitskritisch ist, Feedback zur Verfeinerung und Verbesserung der Szenarien geben und deren Effektivität bei der Validierung von Bewegungsplanungs- und Regelungsalgorithmen testen. Dieser Ansatz zielt darauf ab, die Gesamtzuverlässigkeit von Fahrfunktionen zu verbessern, indem eine umfassende Untersuchung unfallträchtiger Situationen sichergestellt wird.

Wir bieten:

• Ein spannendes und zukunftsorientiertes Forschungsumfeld
• Arbeiten mit einem hochmodernen Software-Stack für autonomes Fahren
• Möglichkeit der Veröffentlichung als wissenschaftliches Paper (bei Eignung)
• Ausarbeitung auf Deutsch oder Englisch möglich

Anforderungen (Was Sie mitbringen sollten):

• Eigeninitiative und eine kreative, problemlösungsorientierte Denkweise
• Sehr gute Englisch- oder Deutschkenntnisse
• Fortgeschrittene Kenntnisse in Python oder C++
• Vorerfahrung mit autonomen Fahrzeugen oder Large Language Models ist von Vorteil
• Erfahrung mit gängigen Softwareentwicklungstools (z. B. Git, Ubuntu) ist wünschenswert

Die Arbeit kann ab sofort begonnen werden. Wenn das Thema Dein Interesse geweckt hat, schicke einfach eine E-Mail mit einem kurzen Anschreiben, warum Dich das Thema interessiert, einem aktuellen Leistungsnachweis sowie Lebenslauf an yuan_avs.gao@tum.de.

 

--------------------------------------------------- ENGLISH VERSION ---------------------------------------------------

Background

The autonomy of vehicles has advanced rapidly in recent years, reaching a level where human intervention is barely or not at all required in certain controlled environments. Leading the way are vehicle manufacturers such as Mercedes and BMW, which offer autonomous road vehicles at Level 3, depending on the system's design. This progress is largely based on the development and validation of highly reliable driving functions. Ensuring the safety and reliability of these driving functions requires extensive testing in diverse and challenging scenarios.

Scenario-based testing has emerged as a cost-effective method for simulating realistic driving conditions in this context. It allows for assessing how well a driving function meets the required demands. However, a critical challenge lies in determining whether these scenarios are sufficiently safety-critical—i.e., whether they cover the full spectrum of necessary safety assurances. This is essential to ensure that driving functions can handle rare or even unthinkable but dangerous driving situations, thereby enhancing their robustness and reliability.

Current Gaps in Scenario-Based Testing

1. Limited Assessment of Safety-Criticality: Existing methods often fail to accurately determine how safety-critical a scenario is, potentially overlooking important edge cases.

2. Lack of Feedback Mechanisms: Once a scenario has been evaluated, there are limited opportunities to refine it based on its safety-critical assessment.

3. Manual Analysis Constraints: Evaluating scenarios often involves considerable manual effort, which is both time-consuming and prone to subjectivity.

To address these challenges, Large Language Models (LLMs), which are capable of processing and analyzing complex textual and contextual data, can be used to improve the safety-critical assessment of driving scenarios.

Objective

The primary objective of this project is to develop a framework that uses LLMs for risk-aware analysis of generated driving scenarios. The framework will evaluate whether a scenario is safety-critical, provide feedback to refine and improve the scenarios, and test their effectiveness in validating motion planning and control algorithms. This approach aims to enhance the overall reliability of driving functions by ensuring a comprehensive exploration of accident-prone situations.

We Offer:

• A dynamic and future-oriented research environment
• Hands-on experience with a state-of-the-art software stack for autonomous driving
• Opportunity to publish a scientific paper (based on merit)
• The thesis can be written in either English or German

Requirements (What You Should Bring):

• Initiative and a creative, problem-solving mindset
• Excellent English or German proficiency
• Advanced knowledge of Python or C++
• Prior experience with autonomous vehicles or Large Language Models is an advantage
• Familiarity with common software development tools (e.g., Git, Ubuntu) is desirable

Work can begin immediately. If you are interested, simply send an e-mail with a brief cover letter explaining what fascinates you about this topic, a current academic transcript, and a resume to yuan_avs.gao@tum.de.

Tags

AVS Gao

Möglicher Beginn

sofort

Kontakt

Yuan Gao
yuan_avs.gaotum.de