Mittwoch, 31. Juli 2024

Automatisches Evaluieren von Deep Learning Funktionen in skalierbarer CARLA Simulation

Thema und Ziel der Arbeit

In zukünftigen Mobilitätssystemen werden automatisierte Fahrzeuge immer wieder unvorhersehbaren und veränderten Bedingungen ausgesetzt sein. Deshalb werden neue und iterative Entwicklungsprozesse benötigt, um auch kontinuierlich Verbesserung von Funktionen vorzunehmen. Ein zentraler Bestandteil eines solchen Prozesses ist das kontinuierliche und automatische Evaluieren, ob eine Verbesserung während der Entwicklung auch wirklich erzielt werden konnte.

Eine effiziente Möglichkeit ist das Testen in der Simulation. Im Rahmen dieser Arbeit sollen deshalb neu trainierte Perzeptionsfunktionen simulativ evaluiert werden. Der automatisierte Testprozess wird direkt in unser öffentliches Simulationsframework CARLOS integriert, welches auf dem CARLA Simulator basiert und bereits einfache Integrations- und Testmöglichkeiten für Perzeptionsfunktionen bereitstellt.

Für repräsentative Testergebnisse ist neben einer geeigneten Testauswahl vor allem auch eine realistische Umgebungsrepräsentation in der Simulation von zentraler Bedeutung. Die Testqualität muss also quantitativ bewertet werden, bevor das Modul abschließend evaluiert und für die die Ausspielung an die Fahrzeugflotte freigegeben werden kann.

Arbeitspunkte

• Literaturrecherche zum Simulativen Testen von KI-Modellen
• Integration eines KI-Moduls in ein bestehendes Simulationsframework
• Erarbeitung eines Konzepts für eine effiziente Testbewertung
• Integration der Simulationstests in skalierbares Simulationsframework
• Veröffentlichung der Ergebnisse bei internationalen Konferenzen

Anforderungen

• Zuverlässigkeit, Engagement und Freude am selbständigen Arbeiten
• Erfahrung mit Python oder C++
• Weiterhin hilfreich sind Erfahrungen mit ROS, CARLA, Docker

Hinweis: Bitte kurzen Lebenslauf und eine Notenübersicht anhängen.