Montag, 26. Februar 2024

Automatisierte Online Simulation zum Evaluieren von Deep Learning Modellen im Shadow Mode

Thema und Ziel der Arbeit

In zukünftigen Mobilitätssystemen werden automatisierte Fahrzeuge sowohl untereinander als auch mit der Infrastruktur und Clouddiensten kommunizieren. Die Erweiterung der Systemgrenzen ermöglicht dabei neue Konzepte zur kontinuierlichen Verbesserung von Funktionen im laufenden Betrieb. MLOps beschreibt dabei einen iterativen Prozess, der automatisch überwacht, Daten sammelt, neue Modelle trainiert und evaluiert und letztlich automatisiert an die Fahrzeugflotte ausspielt.

Im Fokus der Arbeit steht der Monitoring-Prozess, der auch zur Laufzeit zusätzliche Evaluationen für eine Komponente ermöglichen kann. Für weiterführende Analysen soll eine Methodik entstehen, um die aktuelle reale Situation zusätzlich in der Simulation abzubilden. Dazu sollen vor allem die dynamischen Objekte in der Fahrzeugumgebung zur Laufzeit in einen digitalen Simulationszwilling überführt werden. Die Methodik wird dabei in ein bestehendes Simulationsframework implementiert. Dies ermöglich insgesamt eine Bewertung und Verbesserung von Modulen im Rahmen des gesamten MLOps Prozesses.

Arbeitspunkte

• Literaturrecherche zu bestehenden Methoden zum Überführen von Realdaten in die Simulation
• Erarbeitung einer Methodik für das automatisierte und kontinuierliche Erstellen eines simulativen digitalen Zwillings
• Implementierung der Gesamtmethodik, eingebettet in den bestehenden Monitoring- und Simulationsprozess
• Veröffentlichung der Ergebnisse bei internationalen Konferenzen

Anforderungen

• Zuverlässigkeit, Engagement und Freude am selbständigen Arbeiten
• Erfahrung mit Python oder C++
• Wünschenswert: Erfahrung mit ROS, CARLA, Git, Docker und Kubernetes

Hinweis: Bitte kurzen Lebenslauf und eine Notenübersicht anhängen.