Monday, March 30, 2026

Entwicklung ressourceneffizienter Deep-Learning-Methoden zur akustischen Fahrzeugklassifizierung

Thema und Ziel der Arbeit

Verkehrslärm stellt eine zunehmende Belastung im urbanen Raum dar, weshalb das Konzept automatisierter „Lärmblitzer“ international zunehmend an Bedeutung gewinnt. Für eine flächendeckende Erkennung übermäßig lauter Fahrzeuge sind hochpräzise und echtzeitfähige KI-Algorithmen erforderlich. Da bisherige Marktlösungen jedoch oft teuer und rechenintensiv sind, erforschen wir an unserem Institut den Einsatz intelligenter, kostengünstiger akustischer Sensornetzwerke.

Ziel dieser Arbeit ist die Entwicklung und Evaluierung eines Deep-Learning-Modells, das Vorbeifahrgeräusche zuverlässig in verschiedene Fahrzeugklassen einordnet. Ein besonderer Fokus liegt auf der Ressourceneffizienz, da die Algorithmen direkt an der Straße auf Edge-Hardware eingesetzt werden sollen. Zudem muss die Erkennung auch unter realen Umwelteinflüssen wie Wind oder städtischen Störgeräuschen zuverlässig funktionieren.

Arbeitspunkte

• Literaturrecherche zur akustischen Fahrzeugklassifikation und ressourceneffizienten neuronalen Netzen
• Aufbau einer Daten-Pipeline zur Vorverarbeitung und Qualitätssicherung verfügbarer Datensätze
• Entwicklung und Training von KI-Modellen zur Klassifikation verschiedener Fahrzeugtypen
• Systematische Evaluierung der Modell-Performance hinsichtlich Genauigkeit und Fehlklassifikationen

Anforderungen

• Gute Deutsch- oder Englischkenntnisse in Wort und Schrift
• Programmierkenntnisse, vorzugsweise in Python
• Interesse an Deep Learning und Datenverarbeitung
• Zuverlässigkeit, Engagement und Spaß am selbstständigen Arbeiten

Note: Please attach brief resume and grade summary.