1. BaSaMa & HiWi
    2.  

Vergleichbarkeit von Algorithmen der Bewegungsprädiktion

Institut
Lehrstuhl für Fahrzeugtechnik
Typ
Bachelorarbeit / Semesterarbeit /
Inhalt
theoretisch /  
Beschreibung

Hintergrund:
Algorithmen zur Bewegungsprädiktion sind in vielen Anwendungen wie autonomem Fahren, Robotik und Simulation essenziell. Unterschiedliche Ansätze liefern jedoch oft Ausgaben in verschiedenen Formaten, wie Einzel-Trajektorien, Mehrfach-Trajektorien oder Belegungskarten. Das erschwert den direkten Vergleich. Eine systematische Methode zur Normalisierung und Konvertierung dieser Ausgabeformate würde die Vergleichbarkeit und Evaluierung unterschiedlicher Prädiktionsansätze erheblich verbessern.

Ziel der Arbeit:
Ziel dieser Abschlussarbeit ist es, eine ausführliche Literaturrecherche durchzuführen, um verschiedene Bewegungsprädiktionsalgorithmen und deren Ausgabeformate zu sammeln und zu analysieren. Anschließend sollen Methoden entwickelt werden, um unterschiedliche Formate zu konvertieren und so eine einheitliche Vergleichsbasis zu schaffen.

Aufgaben:

  • Umfassende Literaturrecherche zu Algorithmen der Bewegungsprädiktion und deren Ausgabeformate

  • Analyse der Gemeinsamkeiten und Unterschiede zwischen den Formaten

  • Entwicklung eines Konvertierungskonzepts zur Vereinheitlichung der Ausgaben

  • Implementierung eines Prototyps zur Demonstration der Vergleichbarkeit

  • Validierung durch Tests mit realen oder simulierten Bewegungsprädiktionsdaten

Wir bieten:

  • Spannendes Forschungsthema mit interdisziplinärem Bezug

  • Mitarbeit in einem innovativen und dynamischen Team

  • Praxisnahe Umsetzung mit modernen Analysetools

 

Background:
Motion prediction algorithms play a crucial role in various applications such as autonomous driving, robotics, and simulation. However, different approaches often produce outputs in diverse formats, like single-trajectories, multi-trajectories or occupancy grids, making direct comparison challenging. A systematic method for normalizing and converting these output formats would significantly improve the comparability and evaluation of different prediction approaches.

Objective:
The goal of this thesis is to conduct an extensive literature review to collect and analyze various motion prediction algorithms and their output formats. Subsequently, methods should be developed to convert different formats into a unified representation, enabling direct comparisons.

Tasks:

  • Conduct an extensive literature review on motion prediction algorithms and their output formats

  • Analyze similarities and differences between the formats

  • Develop a conversion concept to unify different output formats

  • Implement a prototype to demonstrate the comparability

  • Validate the approach with real or simulated motion prediction data

What we offer:

  • Exciting research topic with interdisciplinary relevance

  • Collaboration in an innovative and dynamic team

  • Practical implementation using modern analysis tools

 

 

 

Voraussetzungen

  • Studium in einem relevanten Fachgebiet (Informatik, Mathematik, Robotik, o.ä.)

  • Erfahrung mit Datenverarbeitung und Programmierung (z. B. Python, C++)

  • Kenntnisse in Bewegungsprädiktion, Machine Learning oder verwandten Bereichen sind von Vorteil

  • Eigenständige und analytische Arbeitsweise

 

  • Enrolled in a relevant field of study (Computer Science, Mathematics, Robotics, etc.)

  • Experience with data processing and programming (e.g., Python, C++)

  • Knowledge in motion prediction, machine learning, or related fields is a plus

  • Independent and analytical working style

Tags
FTM Studienarbeit, FTM AV, FTM AV Evaluation, FTM Esser
Möglicher Beginn
sofort
Kontakt
Daniel Esser, M.Sc.
Raum: MW 3505
Tel.: +49 89 289 15342
daniel.essertum.de