Autonomes Fahren zählt zu den zentralen Zukunftsfeldern der Mobilität. Insbesondere der Einsatz KI-basierter Systeme erfordert neue Methoden, um deren Verhalten systematisch zu analysieren, zu bewerten und auch unter unsicheren oder unbekannten Bedingungen sicherzustellen.

Am IPEK erforschen wir in der Gruppe Automated & Connected Mobility Methoden und Ansätze für die Entwicklung und Absicherung automatisierter Fahrfunktionen. Im Rahmen nationaler und internationaler Forschungsprojekte arbeiten wir gemeinsam mit Partnern aus Wissenschaft und Industrie an aktuellen Fragestellungen rund um automatisiertes Fahren, Künstliche Intelligenz und Sicherheit.

Deine Mission

Deine konkreten Aufgaben richten sich nach deinen persönlichen Fähigkeiten und Interessen und können insbesondere folgende Tätigkeiten umfassen:

• Literaturrecherche: Systematische Recherche und Aufbereitung wissenschaftlicher Veröffentlichungen zu Themen wie Absicherung automatisierter und autonomer Fahrfunktionen, Künstliche Intelligenz, Unsicherheitsbewertung, Safety Monitoring und Validierung.
• Unterstützung bei wissenschaftlichen Veröffentlichungen: Mitarbeit bei der Strukturierung, Ausarbeitung und Überarbeitung von Fachartikeln, Konferenzbeiträgen und weiteren wissenschaftlichen Texten.
• Erstellung von Präsentationen: Konzeption und Gestaltung anschaulicher Präsentationen für wissenschaftliche Konferenzen, Projekttreffen, Lehrveranstaltungen und den Austausch mit Industriepartnern.
• Aufbereitung von Forschungsergebnissen: Analyse, Strukturierung und verständliche Visualisierung wissenschaftlicher Inhalte und Ergebnisse.
• Projektarbeit und Dokumentation: Unterstützung bei Projektberichten, Forschungsdokumentationen und weiteren Unterlagen im Rahmen laufender Forschungsprojekte.
• Thematische Vertiefung: Einarbeitung in aktuelle Forschungsfragen zur Entwicklung, Bewertung und Absicherung automatisierter Fahrfunktionen.

Dein Profil

• Du bist in einem ingenieurwissenschaftlichen, informatischen, naturwissenschaftlichen oder vergleichbaren Studiengang im Bachelor oder Master eingeschrieben.
• Du hast Interesse an automatisiertem Fahren, Künstlicher Intelligenz und der Absicherung technischer Systeme.
• Du arbeitest dich gerne selbstständig und strukturiert in neue wissenschaftliche Themen ein.
• Du kannst wissenschaftliche Inhalte verständlich zusammenfassen und ansprechend darstellen.
• Du verfügst über gute Kenntnisse in Microsoft PowerPoint oder vergleichbaren Präsentationswerkzeugen.
• Idealerweise bringst du erste Erfahrungen in der wissenschaftlichen Literaturrecherche oder im Verfassen wissenschaftlicher Texte mit.
• Kenntnisse in Python, Datenanalyse oder Visualisierung sind von Vorteil, aber keine Voraussetzung.
• Du kannst dich auf Deutsch und/oder Englisch sicher ausdrücken – sowohl mündlich als auch schriftlich.
• Du zeichnest dich durch eine zuverlässige, sorgfältige und motivierte Arbeitsweise aus.

Wir bieten

• Aktuelle Forschungsthemen: Du arbeitest an relevanten Fragestellungen rund um automatisiertes Fahren, Künstliche Intelligenz und die Sicherheit zukünftiger Mobilitätssysteme.
• Vergütung: HiWi-Stundensatz nach Tarif des Landes Baden-Württemberg für 20 bis 85 h/Monat.
• Flexibilität: Verbinde Arbeit optimal mit deinem Studium durch flexible Arbeitszeiten vor Ort und remote.
• Praktische Erfahrung: Du gewinnst wertvolle praktische Erfahrung, die nicht nur für deine akademische Entwicklung wichtig ist, sondern auch einen Pluspunkt in deinem Lebenslauf darstellt.
• Forschungskompetenz: Lerne, wie wissenschaftliche Forschung durchgeführt wird. Das kann dir spätestens bei deiner Abschlussarbeit nützlich werden.
• Netzwerkaufbau: Knüpfe Kontakte zu Wissenschaftlern, welche für zukünftige Karrieremöglichkeiten und Empfehlungen wichtig sind.
• Mentoring: Dein Betreuer ist auch dein Mentor und bietet dir wertvolle Ratschläge und Strategien für dein Studium sowie deine wissenschaftliche Weiterentwicklung.

Interesse geweckt? Dann melde dich bei anian.scheibel∂kit.edu mit deinem aktuellen Notenauszug und Lebenslauf!

Autonomous driving is one of the key future fields of mobility. To deploy AI-based driving functions safely, a vehicle must not only perceive what it sees but also assess how confident it is in its perception. Uncertainties arise throughout the entire perception chain—from noisy sensor data, representing aleatoric uncertainty, to previously unknown objects, representing epistemic uncertainty—and must be monitored reliably at runtime.

At IPEK, our Automated & Connected Mobility research group investigates how uncertainties in perception can be modelled, propagated, and used for runtime safety assurance. For this purpose, we are developing a model that represents and monitors uncertainty propagation throughout the perception chain at runtime, thereby assessing how reliable the environment model is in a given situation.

As part of the BMWK-funded CONTROL research project, we are working with approximately 24 partners from industry and academia to develop methods and architectures for safe, AI-based automated driving systems: https://control-projekt.de/

We are looking for a motivated student research assistant to support the development of our Model-in-the-Loop demonstrator. This domain-agnostic demonstration platform will make our approach tangible using real-world camera and LiDAR data.

Your Mission

Your specific responsibilities will be tailored to your individual skills and strengths:

• Detector training: Train, fine-tune, and evaluate object detectors using camera and LiDAR data, including the preparation of the corresponding datasets.
• Uncertainty quantification: Implement and compare methods for uncertainty quantification, such as Monte Carlo dropout, deep ensembles, and evidential deep learning, and calibrate the resulting uncertainty measures.
• Development of the perception pipeline: Integrate a modular pipeline comprising object detection and sensor fusion into an environment model. Connect our monitoring model and fusion self-assessment approach to this pipeline using Python.
• Perturbations and visualisation: Implement targeted perturbations, such as sensor noise and unknown objects, and develop a live visualisation of the uncertainty-annotated environment model for demonstrations at project meetings and trade fairs.
• Data analysis and documentation: Analyse experimental and simulation data, visualise the results, and contribute to project reports or scientific publications.

Your Profile

• Education: You are enrolled in a bachelor’s or master’s degree programme in engineering, computer science, mathematics, or a related field.
• Technical background: You have strong programming skills in Python and PyTorch and experience training deep neural networks. Experience with GPU-based workflows, ROS or ROS 2, point-cloud or image data, or autonomous driving is desirable.
• Academic performance: You have an above-average academic record.
• Languages: You are fluent in spoken and written German and/or English.
• Working style: You are self-motivated, work independently, and enjoy turning research results into tangible demonstrations.

What We Offer

• Visibility: Your demonstrator will be presented to partners from industry and academia as part of the CONTROL project.
• Compensation: An hourly student-assistant rate in accordance with the regulations of the State of Baden-Württemberg, for between 20 and 85 hours per month.
• Flexibility: Flexible on-site and remote working hours that allow you to combine the position with your studies.
• Practical experience: Gain valuable hands-on experience that supports your academic development and strengthens your CV.
• Research skills: Learn how scientific research is conducted—experience that will be particularly valuable when working on your bachelor’s or master’s thesis.
• Networking: Build connections with researchers who may support your future career development and provide professional recommendations.
• Mentoring: Your supervisor will also act as your mentor, providing valuable advice and strategies for your studies and scientific development.

Keywords: AI, artificial intelligence, autonomous driving, demonstrator, Model-in-the-Loop, MiL, sensor fusion, camera, LiDAR, object detection, uncertainty quantification, calibration, runtime monitoring, safety monitoring, deep learning, Python, PyTorch, ROS, visualisation, physical AI, embodied AI