Praktika, Werkstudenten und Masterarbeiten in Themen um Software Engineering und KI für Autonomes Fahren in Düsseldorf bei Capgemini Engineering

Die Masterarbeiten finden in Zusammenarbeit mit unseren Kooperationsuniversitäten statt oder aushandelbar auf Wunsch der Kandidatinnen und Kandidaten mit ihren eigenen Universitätskontakten. Als Teil der individuellen Wunschvorstellungen kann ein nahezu beliebiger Anteil remote bearbeitet werden sowie je nach Notwendigkeit an einem Fahrzeug und Hardware in München.

Zur Auswahl stehen mehrere Themen/Themenbereiche um den Aufbau eines automatisierten selbstfahrenden Fahrzeugs in Bezug auf Sensorik, Datenmanagement, Datenkommunikation („Connected Car“), Sensordatenfusion, Softwarearchitektur, Trajektorienplanung, Simulation, Perception, Hil/SiL. Grundsätzlich lassen sich auch Teile kombinieren und erweitern, je nach Interesse und Erfahrungen. Die Software des Fahrzeugs wird größtenteils auf dem Robotic Operating System (ROS2) basieren, für welches ein großes Ökosystem zahlreicher vorgefertigter Komponenten bereitsteht.

Bereich 1 – Realisierung einer KI-basierten Objekterkennung mit 3D Bounding-Box und/oder Stereokamera. Diese soll zunächst in einer Simulationsumgebung (CARLA) und später im Fahrzeug realisiert und evaluiert werden. Du führst eine Literaturrecherche über anwendbare Komponenten durch und bewertest systematisch deren Einsetzbarkeit und notwendige Anpassung in die Zielarchitektur des Systems. Relevante Bewertungskriterien sind außerdem: Continuity, Schnelligkeit (HIL-Aufbau mit einer NVIDIA Plattform). Du realisierst die Komponente(n) und evaluierst sie mit Testfällen oder Benchmarks.

Erweiterung: (i) SLAM und Hinzunahme von LIDAR, oder (ii) Implementation neuer KI-Methoden für die Einbeziehung von A-priori-Wissen für die Verbesserung der Performance und Verbesserung einer Auto-Labeling-Implementation.

Erweiterung: Implementation neuer KI-Methoden für die Einbeziehung von A-priori-Wissen für die Verbesserung der Performance und Verbesserung einer Auto-Labeling-Implementation.

Bereich 2 – Generierung von simulierten Lerndaten in CARLA: Implementation und Entwicklung eines Verfahrens zur systematischen und kontrollierten Generierung von statischen und dynamischen Szenarien inkl. Verkehrslayouts in OpenDRIVE/OpenSCENARIO, z.B. über die Definition geeigneter Parametrisierung/Zustandsräume.

Erweiterung: automatische Szenarienklassifizierung bzgl. Manöver und ADAS-Funktionen aus „perfekten“ Szenariendaten (CARLA)

Erweiterung: Szenarienklassifizierung, -generierung, -management, -extraktion. Insb. Trajektorienextraktion auf dem zugrundeliegenden Straßenlayout aus Messdaten.

Erweiterung: Konzepte und Implementierung im Bereich Automatisierte Routenplanung (z.B. Abfahren aller Straßen innerhalb eines Polygons, wobei nur x% der Straßen doppelt befahren werden dürfen.)

Erweiterung: Bottom-up KI-Ansatz für die Generierung plausibler Verkehrslayouts inkl. Fahrbahmarkierungen und Schilder

Erweiterung: Vergleichende Studie über Szenarienbeschreibungssprachen: Mittlerweise existieren verschiedenste Sprachen zur Repräsentation von Fahrszenarien, des Fahrerverhaltens, sowie zur Simulation von Verkehr. Dazu gehören u.a. OpenDRIVE, OpenScenario sowie unserer eigene Entwicklung GeoScenario für Simulation + Driver Behavior. Das Ziel ist eine vergleichende Studie der Ausdrucksstärke dieser Technologien.

Bereich 3 – Offline (a-posteriori) Erzeugung von virtuellen, dynamischen Szenarien in CARLA aus simulierten Sensorrohdaten oder/und gelabelten Daten. Siehe Bild:

Erweiterung: Übertragung des Verfahrens auf reale Messdaten Anhand eines existierenden Fahrzeugs. Dies beinhaltet die Nachbildung der Sensorausstattung in CARLA.

Bereich 4 – Fahrzeugautomatisierung und Sensorausrüstung, Erweiterung des (Sensor-)Datenmanagementsystem in der Cloud:

Weiterentwicklung und Optimierung von Trajektorienfolgeregelungen sowohl in der Simulation als auch im Fahrzeug wie z.B. Messung und Vergleich von realen und simulativ erzeugten Daten und darauf aufbauende Evaluation und Anpassung der Simulationsparameter, um möglichst realistische Ergebnisse erzeugen zu können.

Sensorauswahl und –Verwendung im Fahrzeug, theoretischer Einfluss von Sensorauswahl und –Positionierung und Evaluation unterschiedlicher Konfigurationen in der Simulation.

Erweiterung: Automatische Kalibrierung der Fahrzeugsensoren, basierend auf dem ausgewählten Setup und automatisch in Echtzeit optimiert (z.B. Kalibrierung durch KI-Modelle)

Erweiterung und Optimierung der Sensordatenverarbeitung im Fahrzeug und der geloggten Daten durch z.B. Echtzeit Datenreduktion basierend auf konfigurierbaren Parametern mit anschließendem Transfer in ein Cloud-System und/oder die prototypische Anbindung an einen Eclipse Data Space Connector.

Erweiterung: Automatisierte Situationserkennung basierend auf unterschiedlichen Sensordaten und Informationen, wie Beispiel LiDAR, Kamera, Objektlisten, Spurinformation