Manöverbasiertes Online-Learning von Encoder-Decodern zur Bewegungsprädiktion für Autonomes Fahren

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

Das autonome Fahren stellt eine der größten technologischen Herausforderungen der heutigen Zeit dar. Insbesondere die sichere Bewegungsplanung in komplexer Umgebung wie dem Straßenverkehr ist nach wie vor ein ungelöstes Problem. Der Mensch löst dieses durch Fahrerfahrung und vorausschauendes Fahren, was algorithmisch mit den Begriffen Szenarienverständnis und Bewegungsprädiktion beschrieben wird. Diese Funktionen werden mittels Encoder-Decoder Algorithmen bestehend aus neuronalen Netzen abgebildet. Auf dedizierten Datensätzen liefern diese schon sehr gute Ergebnisse. Offen ist jedoch, wie sich der trainierte Algorithmus in vollkommen fremden Verkehrsszenarien, die nicht im Datensatz enthalten sind, verhält. Für autonomes Fahren (SAE-Level 5) muss der Algorithmus diese per Definition beherrschen können. Durch reines Offline Training wird dies nicht darstellbar sein. Die Idee ist deshalb, dass die Algorithmen zur Laufzeit das korrekte Verhalten in unbekannten Situationen nachlernen.
In dieser Studienarbeit soll ein Algorithmus zum Online-Learning von neuronalen Netzen für die Bewegungsprädiktion von Verkehrsteilnehmern entwickelt werden. Ausgangspunkt ist eine Methode zum Clustern von Verkehrsszenarien im latenten Raum von Encoder-Decoder-Algorithmen. Das Clustering ermöglicht die Evaluation, ob ein Szenario bekannt, d.h. einem Cluster klar zuordenbar, oder unbekannt ist. Unbekannte Szenarien als anormales Verhalten sollen den zu entwickelnden Algorithmus zum Online-Learning triggern, sodass der Algorithmus seinen Gültigkeitsbereich entsprechend erweitert. Ziel ist es, eine Methode zum Online-Learning von neuronalen Netzen zu entwickeln, die zuverlässig unbekannte Szenarien erkennt und den Algorithmus spezifisch anpasst, ohne zu divergieren.

Folgende Arbeitspakete umfasst die zu vergebende Studienarbeit:

  • Literaturrecherche zum Stand der Wissenschaft der Bewegungsprädiktion mittels Encoder-Decoder-Architekturen und Online-Learning Methoden
  • Analyse des bestehenden Algorithmus zur Generierung von Manöverclustern
  • Implementierung und problemspezifische Weiterentwicklung eines Online-Learning Algorithmus wie Attention Layern oder Memory Augmented Networks
  • Training unter Optimierung des Algorithmus hinsichtlich Robustheit und Adaptivität
  • Evaluation und Dokumentation der Ergebnisse

Bei Interesse freue ich mich über eine aussagekräftige Bewerbung von dir. Bitte füge deinen aktuellen Lebenslauf und Notenauszug bei. Bei einem gemeinsamen Gespräch können konkrete Inhalte und Schwerpunkte der Studienarbeit diskutiert und auch gerne eigene Ideen von dir eingebracht werden.

Voraussetzungen
  • Gute Programmierkenntnisse in Python (Pytorch)
  • Motivation und Interesse am Thema
  • Eigenständige und strukturierte Arbeitsweise
  • Kreativität und Eigenintiative für neue Ideen und Ansätze
Verwendete Technologien
Git, Python, Big Data, Deep Learning
Tags
FTM Studienarbeit, FTM IVS, FTM Karle, FTM Informatik
Möglicher Beginn
sofort
Kontakt
Phillip Karle, M.Sc.
Raum: MW 3505
Tel.: +49 89 289 15898
karleftm.mw.tum.de