Bachelorarbeit

Thema der Arbeit

Systematische Analyse und Klassifikation von End-to-End-Architekturen für automatisiertes Fahren. Im Mittelpunkt steht die Frage, wie sich aktuelle End-to-End-Ansätze trotz ihrer grundsätzlich durchgängigen Differenzierbarkeit hinsichtlich ihrer internen Struktur, ihrer latenten Repräsentationen, ihrer Schnittstellen und ihrer erzeugten Ausgaben unterscheiden.

Auf Basis einer strukturierten Literaturrecherche soll eine nachvollziehbare Taxonomie entwickelt und auf ausgewählte, öffentlich dokumentierte End-to-End-Architekturen angewendet werden.

Hintergrund und Motivation

Klassische Architekturen für automatisiertes Fahren bestehen aus getrennten Modulen für Wahrnehmung, Umfeldmodellierung, Planung und Fahrzeugregelung. End-to-End-Ansätze verfolgen dagegen das Ziel, Sensordaten und Fahrentscheidungen innerhalb eines durchgängig trainierbaren Systems miteinander zu verknüpfen.

Das Paradigma „End-to-End“ beschreibt jedoch keine einheitliche Architektur. Aktuelle Ansätze unterscheiden sich unter anderem darin,

• welche Sensordaten verarbeitet werden,
• welche Zwischenrepräsentationen gelernt werden,
• ob explizite oder ausschließlich latente Schnittstellen verwendet werden,
• wie Perception, Prediction und Planning miteinander gekoppelt sind,
• welche Ausgaben das Modell erzeugt,
• und in welchem Umfang einzelne Bestandteile gemeinsam trainiert werden.

Latente Repräsentationen können beispielsweise als Bird’s-Eye-View-Featureräume, Objekt- oder Vektorrepräsentationen, Occupancy Grids, Trajektorienfeatures oder vollständig implizite interne Zustände ausgeprägt sein. Diese Unterschiede beeinflussen nicht nur die Leistungsfähigkeit der Systeme, sondern auch ihre Interpretierbarkeit, Austauschbarkeit und Absicherbarkeit.

Bislang fehlt eine einheitliche und verständliche Taxonomie, mit der unterschiedliche End-to-End-Architekturen systematisch beschrieben und verglichen werden können.

Ziel der Arbeit

Ziel der Bachelorarbeit ist die Entwicklung einer Taxonomie für End-to-End-Architekturen des automatisierten Fahrens. Diese soll zentrale Architekturmerkmale erfassen und eine konsistente Einordnung aktueller Ansätze ermöglichen.

Im Fokus stehen unter anderem:

• Umfang der End-to-End-Integration,
• verwendete Sensoreingaben,
• Architektur und Informationsfluss,
• Art der Modellausgaben,
• Differenzierbarkeit und Trainingsstrategie,
• Interpretierbarkeit und vorhandene Schnittstellen.

Die entwickelte Taxonomie soll anschließend auf eine begrenzte Auswahl öffentlich dokumentierter End-to-End-Architekturen angewendet werden.

Aufgaben

• Strukturierte Literaturrecherche zu End-to-End-Architekturen für automatisiertes Fahren
• Abgrenzung des Begriffs „End-to-End“ gegenüber modularen und hybriden Architekturen
• Identifikation relevanter Merkmale zur Beschreibung und Unterscheidung von End-to-End-Ansätzen
• Untersuchung unterschiedlicher latenter und expliziter Repräsentationen, beispielsweise:
  • Bird’s-Eye-View-Repräsentationen
  • Objekt- und Vektorrepräsentationen
  • Occupancy- und Grid-Repräsentationen
  • Trajektorien und Waypoints
  • vollständig implizite latente Merkmalsräume
• Entwicklung einer konsistenten Taxonomie
• Anwendung der Taxonomie auf ausgewählte öffentlich dokumentierte Architekturen
• Vergleich der Ansätze hinsichtlich Architektur, Informationsfluss, Differenzierbarkeit, Interpretierbarkeit und Absicherbarkeit
• Ableitung zentraler Architekturtrends und offener Forschungsfragen
• Wissenschaftliche Ausarbeitung der Bachelorarbeit in deutscher oder englischer Sprache

Qualifikationen

• Studium im Bereich Maschinenbau, Mechatronik, Informatik, Wirtschaftsingenieurwesen oder einer vergleichbaren Fachrichtung
• Interesse an autonomem Fahren, künstlicher Intelligenz und Softwarearchitekturen
• Grundkenntnisse in KI, Machine Learning oder automatisierten Fahrsystemen von Vorteil
• Bereitschaft, sich in wissenschaftliche Veröffentlichungen und technische Architekturen einzuarbeiten
• Analytische und strukturierte Arbeitsweise
• Gute Englischkenntnisse, da ein Großteil der Fachliteratur auf Englisch verfügbar ist

Programmierkenntnisse sind hilfreich, aber keine Voraussetzung. Der Schwerpunkt der Arbeit liegt auf der systematischen Analyse und Klassifikation bestehender Ansätze.

Das bieten wir

• Bearbeitung eines aktuellen und klar abgegrenzten Forschungsthemas im Bereich KI-basiertes autonomes Fahren
• Enge fachliche und methodische Betreuung
• Einführung in Methoden der strukturierten Literaturrecherche
• Einblicke in aktuelle End-to-End-Architekturen und KI-basierte Fahrsysteme
• Möglichkeit, fundierte Kenntnisse in den Bereichen autonome Fahrarchitekturen, latente Repräsentationen und Absicherung datengetriebener Systeme aufzubauen
• Option zur Weiterverwertung der Ergebnisse, beispielsweise in Form eines Fachbeitrags oder einer weiterführenden wissenschaftlichen Arbeit, abhängig von Qualität und Interesse

Beginn: Nach Absprache

Interesse geweckt? Dann melde dich bei anian scheibel ∂does-not-exist.kit edu mit deinem aktuellen Notenauszug und Lebenslauf.

Schlagworte: Künstliche Intelligenz, Autonomes Fahren, Automatisiertes Fahren, Machine Learning, Deep Learning, End-to-End Learning, End-to-End Driving, Softwarearchitekturen, Computer Vision, Robotik, Embodied AI, Physical AI, Intelligent Vehicles, Autonomous Systems, Safety Assurance