Deep Learning-Ansatz zur Fahrverhaltensvorhersage mit Datenfusion

Kontext 

Eine zuverlässige Fahrverhaltensvorhersage ist beim autonomen Fahren von großer Bedeutung, da die Interaktion zwischen den Fahrzeugen komplex und nicht deterministisch ist. Um dieses Problem zu beheben, müssen multimodale Daten aus verschiedenen Quellen in Echtzeit genutzt werden, um eine zuverlässige Vorhersage zu gewährleisten. In den letzten Jahrzehnten wurden verschiedene Ansätze, wie parametrische Modelle, Markov-Modelle, Reinforcement Learning (RL) und inverses RL, entwickelt.

Im Rahmen dieser Arbeit werden je nach Auswahl der Schwerpunkte neue Methoden zur Fahrverhaltensvorhersage untersucht:

• Umfassende Literaturrecherche ("Review of SOTA")
• Entwicklung eines Datenfusions-Frameworks, Hardware (z. B. Sensoren, GPS, Kameras)
• Entwicklung eines Datenfusions-Frameworks, Software (Datensimulation/-generierung, Cloud-Daten, Datenfusion)
• Entwicklung, Training und Validierung von (RL-basierten) Deep-Learning-Ansätzen zur Fahrverhaltensvorhersage
• Optimierung der Neuronaler Netze, z. B. feature selection, network pruning & quantization, knowledge distillation
• Einsatz und Optimierung von NN auf dem Prüfstand

Aufgaben 

• Literaturrecherche zu der SOTA-Technik in dem betreffenden Gebiet
• Konzeption der Arbeit bezüglich des Arbeitsaufwandes und des Publikationspotenzials
• Zielgerichtete Entwicklung, Implementierung des Minimum Viable Product (MVP) zur Fahrverhaltensvorhersage
• Auswertung und Analyse der Ergebnisse sowie Verfassen der Abschlussarbeit

Voraussetzungen 

• Motivation und Interesse am selbstständigen Lösen von technischen Problemen
• Kenntnisse von Machine Learning, idealerweise Reinforcement Learning und Datenfusion
• Erfahrung mit Programmierung (Python, C++ , Java…)
• Analytische Fähigkeiten, Problemlösungs- und Kommunikationsfähigkeiten