Entwicklung von hierarchischen Modellen zur Validierung automatisierter Fahrfunktionen in adaptiven Verkehrssimulationen

Kontext

Die Validierung automatisierter Fahrfunktionen erfordert realistische Verkehrssimulationen, um das Verhalten in komplexen Szenarien zuverlässig zu testen. Herkömmliche Simulationsansätze, die auf vorab aufgezeichneten Trajektorien basieren, sind limitiert, da sie nicht auf das Verhalten automatisierter Fahrzeuge reagieren können. Dies führt zu ungenauen Ergebnissen und erschwert die Bewertung von Fahrsystemen in dynamischen Verkehrssituationen. 

Hierarchical Reinforcement Learning (HRL) bietet die Möglichkeiten zur Entwicklung dynamischer und reaktiver Verkehrsagenten. Durch die hierarchische Struktur können komplexe Entscheidungsprozesse auf mehreren Ebenen organisiert werden, was es den Agenten ermöglicht, sich adaptiv an das Verhalten automatisierter Fahrzeuge anzupassen. Dies erlaubt die Erzeugung kritischer Verkehrsszenarien in Echtzeit und ermöglicht eine präzisere Untersuchung des Verhaltens automatisierter Fahrzeuge unter herausfordernden Bedingungen, was zur Verbesserung ihrer Robustheit beiträgt.

Ziele

• Konzeption und Implementierung eines hierarchischen Agenten-Systems zur Simulation von Verkehrsagenten
• Einsatz von Reinforcement Learning, um adaptive Verkehrsagenten zu entwickeln, die relevante Informationen effizient auf verschiedenen Abstraktionsebenen verarbeiten
• Untersuchung und Entwicklung von Ansätzen zur Simulation kritischer Szenarien für automatisierte Fahrzeuge 
• Validierung des Systems durch Simulation und Analyse von Verkehrssituationen

Voraussetzungen

• Interesse an den Themen Hierarchical Reinforcement Learning und Verkehrssimulation
• Programmierkenntnisse in Python, idealerweise mit Erfahrung in ML-Bibliotheken (z. B. PyTorch)
• Motivation und kreatives Denken