Freitag, 18. September 2026

Entwicklung eines Experten-Fahralgorithmus für End-to-End Modelle in der Simulation

Thema und Ziel der Arbeit

Modulare Softwaresysteme für das automatisierte Fahren unterteilen die Fahraufgabe in einzelne Komponenten. Dadurch sind sie anfällig für Fehlerfortpflanzung, die in gefährlichen Fahrausfällen enden kann. End-to-End (E2E) Modelle lernen hingegen, Sensordaten direkt in konkrete Fahraktionen zu übersetzen, indem sie Demonstrationen imitieren, die in der realen Welt üblicherweise von menschlichen Fahrern ausgeübt worden sind. In der Simulation übernimmt ein Experten-Algorithmus diese Rolle und kann dabei privilegierte Informationen nutzen, wie etwa die exakten Zustände aller Verkehrsteilnehmer.

Ziel dieser Arbeit ist die Entwicklung eines solchen Experten-Algorithmus, der hochwertige Demonstrationen erzeugt, von denen E2E-Modelle lernen können. Der Schwerpunkt liegt auf der Entwicklung eines regelbasierten Ansatzes, der mit einer auf Reinforcement Learning basierenden Methode verglichen wird.

Arbeitspunkte

• Literaturrecherche zu Experten-Fahralgorithmen für das Training von End-to-End Modellen
• Entwicklung eines regelbasierten Experten-Fahrers, der komplexe urbane Verkehrsszenarien in der Simulation bewältigen kann
• Implementierung eines auf Reinforcement Learning basierenden Experten und Vergleich mit dem regelbasierten Ansatz
• Evaluation der Fahrleistung anhand etablierter Closed-Loop-Metriken und Benchmarks

Anforderungen

• Zuverlässigkeit, Engagement und Spaß am selbstständigen Arbeiten
• Erfahrung mit Programmierung (Ideal: Python oder C++)
• Weiterhin hilfreich sind Erfahrungen mit CARLA, ROS 2, Docker und Machine Learning

Hinweis: Bitte kurzen Lebenslauf und eine Notenübersicht anhängen.