Aufbau eines Deep-Learning Frameworks zur Fahrverhaltensvorhersage mit Datenfusion

Kontext 

Durch die Entwicklung der Technologie für autonomes Fahren ist die Fahrverhaltensvorhersage zu einem wichtigen Teil dieses Bereichs geworden, was für ein sicheres und effizientes Fahren entscheidend ist. Hier werden relevante Daten aus verschiedenen Quellen gesammelt, beispielsweise aus der Cloud und aus realen Fahrszenarien. Diese Daten werden dann in Modelle integriert, um verschiedene neuronale Netze zu trainieren, sodass genauere und effizientere Fahrverhaltensvorhersagen ermöglicht werden.

Aufgaben 

• Entwicklung einer GUI zur Visualisierung der gesammelten Daten aus der Cloud
• Literaturrecherche zu der SOTA-Technik
• Vergleich von SOTA Modellen zur Fahrverhaltensvorhersage, Analyse der verschiedenen Einflussfaktoren, wie z.B. Fahrstil, Fahrerfahrung, Verkehrssicherheit, usw.
• Entwicklung, Training und Optimierung neuronaler Netze für die kurz- und langfristige Fahrverhaltensvorhersage

Voraussetzungen

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