Direkt zum Inhalt springen
login.png Login join.png Register    |
de | en
MyTUM-Portal
Technische Universität München

Technische Universität München

Sitemap > Schwarzes Brett > Abschlussarbeiten, Bachelor- und Masterarbeiten > Masterarbeit: Erweiterung von Bahnplanungsalgorithmen für autonome Fahrzeuge mit Deep Learning
auf   Zurück zu  Nachrichten-Bereich    vorhergehendes   Browse in News  nächster    

Masterarbeit: Erweiterung von Bahnplanungsalgorithmen für autonome Fahrzeuge mit Deep Learning

Fortiss

17.03.2017, Abschlussarbeiten, Bachelor- und Masterarbeiten

Unsere Forschungsgruppe für Autonome Systeme und Sensorik beschäftigt sich im Rahmen eines Forschungsprojektes mit Bahn-/Trajektorienplanung und -regelung für autonome Fahrzeuge. Zur Weiterentwicklung unseres derzeit verwendeten Bahnplanungsalgorithmus soll im Rahmen einer Abschlussarbeit eine Suchheuristik für einen Hybrid A* Algorithmus mit Methoden des "Deep Learning", wie z.B einer Kombination aus Autoencoder, DNN, LSTM, etc. hergeleitet werden.

Im Bereich der Bahnplanung werden häufig heuristische Graphensuchalgorithmen, wie z.B der Hybrid A* angewendet, die die nicht-holonome Kinematik eines Fahrzeuges berücksichtigen. Der Konfigurationsraum eines Fahrzeuges wird räumlich diskretisiert und die für den nächsten Suchschritt kostengünstigste Konfiguration mit einer Heuristik geschätzt. So basiert die Ursprungsvariante des Hybrid A* Algorithmus beispielweise auf einer Kombination von nicht-holonomer Heuristik ohne Hindernisbetrachtung und holonomer Heuristik mit Hindernisberücksichtigung.

Zur Weiterentwicklung unseres derzeit verwendeten Bahnplanungsalgorithmus soll im Rahmen einer Abschlussarbeit eine Suchheuristik für einen Hybrid A* Algorithmus mit Methoden des "Deep Learning", wie z.B einer Kombination aus Autoencoder, DNN, LSTM, etc. hergeleitet werden. Ziel ist die Entwicklung einer einheitlichen heuristischen Funktion, die für unterschiedliche Planungsszenarien (z.B. Art und Größe einer Parklücke, unterschiedliche Fahrzeug- und Hinderniskonfigurationen) ein sinnvolles Manöver erlernt hat und hierdurch bei der heuristischen Suche dieses Manöver über eine entsprechende Kostenbewertung der Fahrzeugkonfigurationen implizit vorgibt. Sofern durch diesen Ansatz die heuristische Suche auf eine geringere Anzahl von sinnvollen Konfigurationen reduziert wird, versprechen wir uns Vorteile in Bezug auf eine geringere Rechenzeit und einen größeren realisierbaren Planungshorizont.

Ihre Aufgaben:

  • Literaturrecherche
  • Erstellung eines Trainings-Datensatzes basierend auf einer am Institut vorhandenen Bahnplanungsbibliothek
  • Entwurf eines Deep Neural Net (Eingänge/Ausgänge/Zwischenschichten) z.B. mit Tensorflow
  • Training und Bewertung verschiedener Netze auf Anwendbarkeit/Genauigkeit/Geschwindigkeit

Was Sie mitbringen sollten:
  • Großes Interesse an autonomen Fahrfunktionen
  • Sehr gute Kenntnisse in Matlab, C/C++ oder Python
  • Vorkenntnisse in einem der Bereiche hilfreich:
    • Bahn-/Trajektorienplanung
    • Wahrscheinlichkeitstheorie
    • Machine Learning

Bei Interesse, Bewerbungen mit Lebenslauf und einem kurzen Motivationsschreiben bitte an bernhard@fortiss.org Unvollständige Anfragen werden nicht bearbeitet.
fortiss, An-Institut Technische Universität München: www.fortiss.org

Kontakt: Julian Bernhard, bernhard@fortiss.org

Termine heute

no events today.

Veranstaltungskalender