BA/SA/MA: Risikobewusste Szenarioanalyse basierend auf LLMs im autonomen Fahren

14.11.2024, Abschlussarbeiten, Bachelor- und Masterarbeiten

Das primäre Ziel dieses Projekts ist die Entwicklung eines Frameworks, das LLMs zur risikoorientierten Analyse generierter Fahrszenarien verwendet.

Hintergrund

Die Autonomie von Fahrzeugen hat sich in den letzten Jahren rasant weiterentwickelt und erreicht inzwischen ein Niveau, auf dem menschliches Eingreifen in bestimmten kontrollierten Umgebungen kaum oder gar nicht mehr erforderlich ist. Führend sind hier die Fahrzeughersteller Mercedes und BMW, die je nach Auslegung autonome Straßenfahrzeuge auf Level 3 anbieten. Dieser Fortschritt basiert wesentlich auf der Entwicklung und Validierung hochzuverlässiger Fahrfunktionen. Die Gewährleistung der Sicherheit und Zuverlässigkeit dieser Fahrfunktionen erfordert umfassende Tests in vielfältigen und herausfordernden Szenarien.

Szenariobasierte Tests haben sich in diesem Kontext als kosteneffiziente Methode zur Simulation realistischer Fahrbedingungen etabliert. Sie ermöglichen es, zu überprüfen, wie gut eine Fahrfunktion die Anforderungen erfüllt. Eine entscheidende Herausforderung besteht jedoch darin, festzustellen, ob diese Szenarien ausreichend sicherheitskritisch sind – das heißt, ob sie die vollständige Absicherung abdecken. Dies ist unerlässlich, um sicherzustellen, dass Fahrfunktionen auch seltene oder undenkbare, aber gefährliche Fahrsituationen bewältigen können, wodurch ihre Robustheit und Zuverlässigkeit weiter erhöht wird.

Aktuelle Lücken in szenariobasierten Tests

· Begrenzte Bewertung der Sicherheitskritikalität: Bestehende Methoden können oft nicht genau bestimmen, wie sicherheitskritisch ein Szenario ist, und übersehen potenziell wichtige Extremsituationen.

· Fehlende Feedback-Mechanismen: Nach der Bewertung eines Szenarios gibt es nur begrenzte Möglichkeiten, es basierend auf seiner sicherheitskritischen Bewertung zu verfeinern.

· Manuelle Analysebeschränkungen: Die Bewertung von Szenarien erfordert häufig erheblichen manuellen Aufwand, was sowohl zeitaufwändig als auch anfällig für Subjektivität ist.

Um diese Herausforderungen zu bewältigen, können Large Language Models (LLMs), die in der Lage sind, komplexe textuelle und kontextuelle Daten zu verarbeiten und zu analysieren, genutzt werden, um die sicherheitskritische Bewertung von Fahrszenarien zu verbessern.

Zielsetzung

Das primäre Ziel dieses Projekts ist die Entwicklung eines Frameworks, das LLMs zur risikoorientierten Analyse generierter Fahrszenarien verwendet. Das Framework soll bewerten, ob ein Szenario sicherheitskritisch ist, Feedback zur Verfeinerung und Verbesserung der Szenarien geben und deren Effektivität bei der Validierung von Bewegungsplanungs- und Regelungsalgorithmen testen. Dieser Ansatz zielt darauf ab, die Gesamtzuverlässigkeit von Fahrfunktionen zu verbessern, indem eine umfassende Untersuchung unfallträchtiger Situationen sichergestellt wird.

Wir bieten:

· Ein spannendes und zukunftsorientiertes Forschungsumfeld
· Arbeiten mit einem hochmodernen Software-Stack für autonomes Fahren
· Möglichkeit der Veröffentlichung als wissenschaftliches Paper (bei Eignung)
· Ausarbeitung auf Deutsch oder Englisch möglich

Anforderungen (Was Sie mitbringen sollten):

· Eigeninitiative und eine kreative, problemlösungsorientierte Denkweise
· Sehr gute Englisch- oder Deutschkenntnisse
· Fortgeschrittene Kenntnisse in Python oder C++
· Vorerfahrung mit autonomen Fahrzeugen oder Large Language Models ist von Vorteil
· Erfahrung mit gängigen Softwareentwicklungstools (z. B. Git, Ubuntu) ist wünschenswert

Die Arbeit kann ab sofort begonnen werden. Wenn das Thema Dein Interesse geweckt hat, schicke einfach eine E-Mail mit einem kurzen Anschreiben, warum Dich das Thema interessiert, einem aktuellen Leistungsnachweis sowie Lebenslauf an yuan_avs.gao@tum.de.

Kontakt: yuan_avs.gao@tum.de