A Literature Study: Driving Scenario Identification and Representation Using State Machines
- Institute
- Professur für autonome Fahrzeugsysteme
- Type
- Semester Thesis
- Content
- theoretical
- Description
Hintergrund
Die Entwicklung und Absicherung autonomer Fahrsysteme basiert zunehmend auf szenariobasierten Testmethoden, um die Komplexität des realen Straßenverkehrs systematisch abzubilden. Werkzeuge wie CommonRoad bieten hierfür eine Vielzahl realistischer Fahrszenarien – von innerstädtischen Kreuzungen bis hin zu mehrspurigen Autobahnen. Eine strukturierte Beschreibung dieser Szenarien ist entscheidend für simulationsgestützte Entwicklungsprozesse und die Gewährleistung von Fahrzeugsicherheit.
Zustandsautomaten – darunter endliche Zustandsmaschinen (FSMs), hierarchische Zustandsautomaten (HSMs) und Statecharts – bieten ein natürliches Framework, um den Ablauf von Fahrszenarien in Form von Zuständen und Übergängen zu modellieren. Dadurch lassen sich komplexe Wechselwirkungen zwischen Fahrzeugen, Straßeninfrastruktur und dynamischen Ereignissen strukturiert und interpretierbar darstellen. Aktuelle Forschungsarbeiten untersuchen zudem den Einsatz von KI-Methoden wie großen Sprachmodellen (LLMs) zur teilautomatisierten Generierung solcher Zustandsautomaten.
Im Rahmen dieses Projekts soll eine Literaturstudie durchgeführt werden, die den Stand der Forschung im Bereich der szenariobasierten Modellierung und Erkennung mittels Zustandsautomaten systematisch aufarbeitet.
Zielsetzung
Ziel dieses Projekts ist es, eine umfassende Literaturübersicht zu erstellen, wie Zustandsautomaten zur Identifikation, Modellierung und Analyse von Fahrszenarien eingesetzt werden. Dabei sollen sowohl klassische als auch KI-gestützte Ansätze betrachtet, deren Vor- und Nachteile bewertet und mögliche zukünftige Forschungsrichtungen aufgezeigt werden.
Wir bieten
-
Ein spannendes und zukunftsorientiertes Forschungsthema.
-
Die Möglichkeit zur wissenschaftlichen Veröffentlichung (bei entsprechender Qualität der Arbeit).
-
Flexible Betreuung und die Möglichkeit, die Arbeit auf Deutsch oder Englisch zu verfassen.
Anforderungen (Was Sie mitbringen sollten)
-
Eigeninitiative und eine kreative, lösungsorientierte Denkweise.
-
Sehr gute Deutsch- oder Englischkenntnisse.
-
Interesse an autonomem Fahren, formalen Methoden oder maschinellem Lernen.
-
Erfahrung mit Simulationswerkzeugen wie Matlab Stateflow ist wünschenswert.
Der Arbeitsbeginn ist ab sofort möglich.
Bei Interesse senden Sie bitte eine kurze Bewerbung mit einem Motivationsschreiben, aktuellem Notenspiegel und Lebenslauf an: yuan_avs.gao@tum.de.--------------------------------------------------- ENGLISH VERSION ---------------------------------------------------
Background
The development and validation of autonomous driving systems increasingly rely on scenario-based testing to systematically capture the complexity of real-world traffic. Tools such as CommonRoad offer diverse, realistic traffic scenarios ranging from urban intersections to multilane highways. Understanding and describing these scenarios in a structured way is critical for both simulation-driven development and safety assurance.
State machines—including finite state machines (FSMs), hierarchical state machines (HSMs), and statecharts—provide a natural framework to model the evolution of driving scenarios through sequences of states and transitions. They enable a structured, interpretable abstraction of complex interactions among vehicles, road structures, and dynamic events. Recently, research has also explored automating state machine generation using AI models such as large language models (LLMs).
To advance this field, we propose a literature study that surveys how state machines are used for identifying, modeling, and analyzing driving scenarios for autonomous vehicles.
Objective
The primary objective of this project is to conduct a comprehensive literature review on the use of state machines in driving scenario identification and representation. The student will explore traditional and AI-augmented methods, evaluate the benefits and challenges of different approaches, and suggest promising future research directions.
We Offer
-
An exciting and forward-looking research environment.
-
The opportunity to publish scientific results (subject to merit).
-
Flexible supervision and the option to conduct the work in either German or English.
Requirements (What You Should Bring)
-
Initiative and a creative, problem-solving mindset.
-
Excellent proficiency in either German or English.
-
Interest in autonomous driving, formal methods, or machine learning.
-
Familiarity with simulation tools such as Matlab Stateflow is advantageous.
Work can begin immediately. If you are interested in this topic, please send an email with a brief cover letter explaining why you are fascinated by this subject, along with a current transcript of records and your resume, to: yuan_avs.gao@tum.de.
-
- Tags
- AVS Gao
- Possible start
- sofort
- Contact
-
Yuan Gao
yuan_avs.gaotum.de