Mit der Entwicklung moderner Fahrerassistenzsysteme wird der Bedarf an fortgeschrittenen Algorithmen, die typisches menschliches Verhalten in verschiedenen Verkehrsszenarien verstehen von größerer Bedeutung. Ein wichtiger Aspekt dieser Systeme ist die Fähigkeit, das zukünftige Verhalten von Verkehrsteilnehmern (Fußgänger, Radfahrer, Autos) auf der Straße vorherzusagen. Dies ist notwendig, um die mit dem eigenen Verhalten verbundenen Risiken zu bewerten.

Deep Neural Networks (DNN) haben sich in vielen Bereichen der Informatik, wie der Bildklassifikation und der Verarbeitung natürlicher Sprache, als effektives Werkzeug erwiesen. Die Verfügbarkeit großer Datensätze aufgezeichneter Verkehrsszenen durch Unternehmen wie Waymo hat neue Möglichkeiten für datengestützte Methoden im Kontext des autonomen Fahrens eröffnet [1]. Mithilfe historischer Positionen aller Verkehrsteilnehmer und wichtiger kontextueller Informationen wie Fahrspurmittellinien werden zukünftige Trajektorien vorhergesagt. Es existieren zahlreiche Ansätze wie CNN-basierte [2], Graph-Neural-Network-basierte [3] und Transformer-basierte [4] Algorithmen, die alle unterschiedliche Eigenschaften haben.

Die Aufgabe dieser Arbeit besteht darin, verschiedene bestehende DNN-Algorithmen basierend auf den verfügbaren Datensätzen [5] zu trainieren und zu evaluieren. Das Ergebnis sollte eine praktische Übersicht über die verschiedenen Algorithmen sein, die die Stärken und Schwächen der ausgewählten Ansätze hervorhebt. Zudem sollen Einblicke in die Generalisierungsfähigkeiten der verschiedenen Algorithmen in Bezug auf Datensätze aus anderen geografischen Regionen gegeben werden.

Anforderungen:

• sehr gute Python-Programmierkenntnisse
• einige Kenntnisse über Python-Machine-Learning-Bibliotheken (TensorFlow, PyTorch)
• abgeschlossene Projekte unter Verwendung von DNN sind ein Plus

bevorzugte Bewerbungsunterlagen:

• Motivationsschreiben (begründen Sie, warum Sie ein qualifizierter Student für diese Arbeit sind)
• Lebenslauf
• Notenspiegel

weitere Informationen:

• die Arbeit kann auf Deutsch oder Englisch durchgeführt werden
• bei qualifizierten Ergebnissen besteht die Möglichkeit, die Ergebnisse in einer Veröffentlichung zu präsentieren
• Studenten mit einem Hintergrund in Informatik (z.B. Informationssystemtechnik, Computational Engineering, Autonome Systeme) werden besonders ermutigt, sich zu bewerben

Referenzen:

[1] https://ieeexplore.ieee.org/document/9756903
[2] https://arxiv.org/pdf/1911.10298.pdf (wird in neuem Tab geöffnet)
[3] https://arxiv.org/pdf/1908.00219.pdf (wird in neuem Tab geöffnet)
[4] https://arxiv.org/pdf/2402.02519
[5] https://metadriverse.github.io/scenarionet/