Monday, February 26, 2024

Automatisches Evaluieren von Deep Learning Modellen in skalierbarer CARLA Simulation

Thema und Ziel der Arbeit

In zukünftigen Mobilitätssystemen werden automatisierte Fahrzeuge sowohl untereinander als auch mit der Infrastruktur und Clouddiensten kommunizieren. Die Erweiterung der Systemgrenzen ermöglicht dabei neue Konzepte zur kontinuierlichen Verbesserung von Funktionen im laufenden Betrieb. MLOps beschreibt dabei einen iterativen Prozess, der automatisch überwacht, Daten sammelt, neue Modelle trainiert und evaluiert und letztlich automatisiert an die Fahrzeugflotte ausspielt.

Im Rahmen dieser Arbeit sollen neu trainierte KI-Module simulativ evaluiert werden, bevor diese an die Fahrzeugflotte ausgespielt werden. Der Fokus liegt insbesondere auf Perzeptionsfunktionen, die zur Umfeldwahrnehmung in automatisierten Fahrfunktionen verwendet werden. Die Testdurchführung erfolgt automatisiert und skalierbar in einem Simulationsframework basierend auf dem öffentlichen CARLA Simulator. Übergeordnete Ziel ist eine automatische und quantitative Evaluation, ob das neue Modell eine Verbesserung erzielen kann und somit für die Ausspielung an die Fahrzeugflotte geeignet ist.

Arbeitspunkte

• Literaturrecherche zum Simulativen Testen von KI-Modellen
• Integration eines KI-Moduls in ein bestehendes Simulationsframework
• Erarbeitung eines Konzepts für eine effiziente Testbewertung
• Integration der Simulationstests in skalierbares Kubernetes Framework
• Veröffentlichung der Ergebnisse bei internationalen Konferenzen

Anforderungen

• Zuverlässigkeit, Engagement und Freude am selbständigen Arbeiten
• Erfahrung mit Python oder C++
• Wünschenswert: Erfahrung mit ROS, CARLA, Git, Docker und Kubernetes, Deep Learning

Note: Please attach brief resume and grade summary.