Montag, 26. Februar 2024

Deep Learning getriebene 3D-Rekonstruktion von Verkehrsteilnehmern

Thema und Ziel der Arbeit

Große Fahrdatensätze bilden die Grundlage für die Entwicklung und Absicherung automatisierter Fahrfunktionen. Bei der Erhebung solcher Fahrdatensätze kommen beispielsweise 3D-Laserscanner (Lidars) zum Einsatz, deren Rohdaten in weiteren Prozessschritten ausgewertet werden. Um eine hochgenaue Objekterkennung in den von den Lidar-Sensoren aufgenommenen Punktwolken zu ermöglichen, sind eine große Menge an Trainingsdaten notwendig, um die Verarbeitungsalgorithmen anzulernen.

Eine Möglichkeit zur Generierung großer Menge annotierter Daten in kurzer Zeit ist die Simulation. Mit dieser können beliebig viele verschiedene Szenarien realisiert werden, was für Realdaten nur unter enormen Aufwand möglich ist. Ein Nachteil der Simulation ist jedoch, dass auf Grund der begrenzten Variation in den zugrunde liegenden Daten Edge Cases kaum abgebildet werden können. Ein komplementärer Ansatz zur Erweiterung der Datenvielfalt besteht in der Integration von real aufgezeichneten Daten, insbesondere von Verkehrsteilnehmern. Hierbei spielen Lidar-Sensoren eine zentrale Rolle, da sie die Umgebung mit hoher Präzision in Form von Punktwolken erfassen.

Thema dieser Arbeit soll die Umwandlung dieser Punktwolken in 3D-Meshes sein, welche auch die realistische Modellierung unkonventioneller Verkehrsteilnehmer ermöglicht. In der Arbeit soll eine geeignete Deep-Learning Architektur exploriert, implementiert und evaluiert werden. Dazu stehen bereits zahlreiche Softwarekomponenten und -frameworks zur gezielten Unterstützung bereit.

Arbeitspunkte

• Literaturrecherche zu Neuronalen Netzwerken zur 3D-Rekonstruktion aus Punktwolken
• Entwicklung und Implementierung der gewählten Netzwerkarchitektur
• Training des Netzwerks auf öffentlich verfügbaren Datensätzen
• Evaluation der umgesetzten Methoden

Anforderungen

• Gute Deutsch- und Englischkenntnisse in Wort und Schrift
• Erfahrung mit Python
• Erfahrung mit Machine Learning von Vorteil (kein Muss)
• Zuverlässigkeit, Engagement und Spaß am selbstständigen Arbeiten

Hinweis: Bitte kurzen Lebenslauf und eine Notenübersicht anhängen.