Next-Gen Trajektorienplanung: ML-basierte Verbesserung klassischer Motion-Planning Verfahren für das autonome Fahren

Institut

Professur für autonome Fahrzeugsysteme

Typ

Semesterarbeit / Masterarbeit /

Inhalt

 

Beschreibung

Auch als IDP, Forschungspraktikum etc. möglich!

Herzlich willkommen am AVS (Autonomous Vehicle Systems) Lab!

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

Autonomes Fahren hat das Potential, die Zukunft des Straßenverkehrs zu revolutionieren indem es Sicherheit, Effizienz und Komfort auf eine neue Stufe hebt. Durch die Integration fortschrittlicher Technologien und künstlicher Intelligenz ermöglicht autonomes Fahren eine präzise Steuerung von Fahrzeugen ohne menschliches Eingreifen. Bereits heute können autonome Fahrzeuge in bestimmten Anwendungsbereichen eigenständig agieren, ohne auf einen menschlichen Fahrer angewiesen zu sein. Dennoch ist die Technik für autonomes Fahren noch in einem fortgeschrittenen Entwicklungsstadium. Besonders in komplexen und sicherheitskritischen Situationen stoßen die Fahrzeuge schnell an ihre technischen Grenzen. Eine entscheidende Herausforderungen besteht darin, sicheres autonomes Fahren zuverlässig, robust und effizient in sämtlichen Umgebungen zu gewährleisten. 

In dieser Arbeit soll untersucht werden, wie Methoden des maschinellen Lernens klassische Motion-Planning-Konzepte verbessern oder erweitern können. Ziel ist es, hybride Planungsansätze zu entwerfen, bei denen Lernverfahren (insbesondere in der neuronalen Trajektorienberechnung) klassische Planer unterstützen, beschleunigen oder qualitativ erweitern.

Mögliche Fragestellungen:

• Wie können Machine Learning-Modelle als Heuristiken oder Sampling-Guides in klassischen Planern genutzt werden?

• Welche Rolle spielen Unsicherheiten in den gelernten Komponenten, und wie beeinflussen sie die Planungsqualität?

• Können neuronale Netze Bewegungsentscheidungen in unbekannten oder hochdynamischen Szenarien besser vorhersagen als klassische Methoden?

 

Das bieten wir:

•     Spannendes und zukunftsorientiertes Forschungsfeld
•     Bei Eignung Veröffentlichung als wissenschaftliches Paper möglich
•     Ausarbeitung in Deutsch oder Englisch
•     Anwesenheit am Lehrstuhl möglich aber nicht erforderlich

Deine Voraussetzungen:

•     Hoher Grad an Eigeninitiative und eine kreative Denkweise
•     Sehr gute Programmierkenntnisse in Python o. ä.
•     Erfahrungen mit Reinforcement Learning, Pfadplanung oder Optimierungsmethoden hilfreich
•     Hohes Maß an Eigeninitiative und analytischem Denken

Die Arbeit kann ab sofort begonnen werden. Wenn das Thema dein Interesse geweckt hat, schicke einfach eine E-Mail mit aktuellem Leistungsnachweis und Lebenslauf an die untenstehenden Kontaktdaten.
Unvollständige Bewerbungen können leider nicht berücksichtigt werden.

 

Tags

AVS Kaufeld

Möglicher Beginn

sofort

Kontakt

Marc Kaufeld
marc.kaufeldtum.de