Analyse des Overfitting-Verhaltens Neuronaler Netze im Autonomen Fahren

Institut
Lehrstuhl für Fahrzeugtechnik
Typ
Semesterarbeit / Masterarbeit /
Inhalt
experimentell / theoretisch /  
Beschreibung

Vollautomatisierte Fahrfunktionen ermöglichen den Menschen in definierten Szenarien vollständig von der Fahraufgabe zu entbinden. Die hierzu verwendeten Algorithmen zur Umfeldwahrnehmung auf Basis von Sensordaten sind heute bereits auf gutem Niveau. Die große Herausforderung liegt im Szenenverständnis der Umgebung und darauf aufbauend der Bewegungsprädiktion des Verhaltens der anderen Verkehrsteilnehmer. Die Bestenlisten auf öffentlichen Prädiktionsdatensätzen, die diese Herausforderung als Zielgröße haben, werden von Algorithmen mit Encoder-Decoder-Architekturen dominiert. Durch spezifisches Design der Architektur und Aufbau aus Recurrent und Convolutional Neural Networks (RNN, CNN) sind diese in der Lage durch Training auf einem spezifischem Datensatz präzise Vorhersagen über zukünftige Trajektorien von Verkehrsteilnehmern auszugeben. Ungeklärt bleibt, inwiefern das erlernte Verhalten auf anderen Datensätze abschneidet, also generalisierbar und robust ist oder ob die Netze stark overfitten.

In dieser Studienarbeit soll eine objektive Analyse der Generalisierbarkeit von Encoder-Decoder-Ansätzen zur Prädiktion des menschlichen Fahrverhaltens durchgeführt werden. Hierfür sind für Training und Test von vorhandenen Open-Source-Codes jeweils verschiedene Datensätze zu wählen und deren Verhalten anhand geeigneter Metriken zu evaluieren. Durch diese soll der Grad des Overfittings bestimmt werden. Das Ziel ist die Übertragbarkeit der Algorithmen quantitativ zu bewerten und deren jeweiliges Verhalten zu begründen.

Folgende Arbeitspakete umfasst die zu vergebende Studienarbeit:

  • Literaturrecherche zum Stand der Technik und Wissenschaft der Bewegungsprädiktion mit dem Fokus auf Encoder-Decoder-Architekturen und Prädiktionsdatensätzen
  • Analyse der Architektur und postulierter Ergebnisse ausgewählter Open-Source-Codes
  • Systematische Auswahl von Datensätzen für Training und Test
  • Definition geeigneter Metriken zur objektiven Bewertung
  • Aufbau einer automatisierten Konvertierung zwischen den Formaten verschiedener Datensätze
  • Konzeptionierung und Durchführung eines Versuchsplans für Training und Test der Algorithmen zur Analyse des Overfittings
  • Evaluation und Dokumentation der Ergebnisse

Bei Interesse freue ich mich über eine aussagekräftige Bewerbung von Ihnen. Bitte fügen Sie einen aktuellen Lebenslauf und Leistungsnachweis aus TUM-Online bei.

Voraussetzungen
  • Essentiell: Gute bis sehr gute Kenntnisse in Python
  • Gute Kenntnisse in der Datenaufbereitung und -auswertung
  • Grundkentnisse im Deep Learning
  • Strukturierte und eigenverantwortliche Arbeitsweise, insbesondere für Tätigkeit im Home Office
Verwendete Technologien
Git, Python, Big Data, Deep Learning
Tags
FTM Studienarbeit, FTM Fahrdynamik, FTM Karle
Möglicher Beginn
sofort
Kontakt
Phillip Karle, M.Sc.
Raum: MW 3505
Tel.: +49 89 289 15898
karleftm.mw.tum.de