Home |  ENGLISH |  Kontakt |  Impressum |  Datenschutz |  Anmelden |  KIT

Thema4406: Unterschied zwischen den Versionen

Aus Aifbportal

Wechseln zu: Navigation, Suche
 
Zeile 1: Zeile 1:
 
{{Abschlussarbeit
 
{{Abschlussarbeit
|Titel=Automated/Autonomous Driving - Learning Cost Metrics for Cooperative Driving
+
|Titel=Machine Learning applied to Automated/Autonomous Driving - Learning Cost Metrics for Cooperative Driving
 
|Abschlussarbeitstyp=Master
 
|Abschlussarbeitstyp=Master
 
|Betreuer=Karl Kurzer;
 
|Betreuer=Karl Kurzer;
Zeile 6: Zeile 6:
 
|Forschungsgruppe=Angewandte Technisch-Kognitive Systeme
 
|Forschungsgruppe=Angewandte Technisch-Kognitive Systeme
 
|Abschlussarbeitsstatus=Offen
 
|Abschlussarbeitsstatus=Offen
|Beginn=2019/4/9
+
|Beginn=2019/8/14
 
|Beschreibung DE=Automatisierte, kooperative Fahrzeuge müssen im Straßenverkehr in einer hochgradig dynamischen, interagierenden und nur unvollständig wahrnehmbaren Umwelt Entscheidungen treffen.Bisherige Ansätze beschränken sich meist darauf, Situationen allein aus einer egozentrischen
 
|Beschreibung DE=Automatisierte, kooperative Fahrzeuge müssen im Straßenverkehr in einer hochgradig dynamischen, interagierenden und nur unvollständig wahrnehmbaren Umwelt Entscheidungen treffen.Bisherige Ansätze beschränken sich meist darauf, Situationen allein aus einer egozentrischen
 
Perspektive heraus, ohne Kooperationsaspekte mit, beziehungsweise zwischen anderen Verkehrsteilnehmern zu berücksichtigen.
 
Perspektive heraus, ohne Kooperationsaspekte mit, beziehungsweise zwischen anderen Verkehrsteilnehmern zu berücksichtigen.

Aktuelle Version vom 14. August 2019, 13:01 Uhr



Machine Learning applied to Automated/Autonomous Driving - Learning Cost Metrics for Cooperative Driving



Informationen zur Arbeit

Abschlussarbeitstyp: Master
Betreuer: Karl Kurzer
Forschungsgruppe: Angewandte Technisch-Kognitive Systeme
Partner: FZI Forschungszentrum Informatik
Archivierungsnummer: 4406
Abschlussarbeitsstatus: Offen
Beginn: 14. August 2019
Abgabe: unbekannt

Weitere Informationen

Automatisierte, kooperative Fahrzeuge müssen im Straßenverkehr in einer hochgradig dynamischen, interagierenden und nur unvollständig wahrnehmbaren Umwelt Entscheidungen treffen.Bisherige Ansätze beschränken sich meist darauf, Situationen allein aus einer egozentrischen Perspektive heraus, ohne Kooperationsaspekte mit, beziehungsweise zwischen anderen Verkehrsteilnehmern zu berücksichtigen.

AUFGABEN

Das Ziel dieser Arbeit ist es, die Erstellung von Verhaltensmodellen von Fahrern in Situationen, die Kooperation erfordern. Da die manuelle Erstellung solcher Modelle schwierig und zeitaufwendig ist, sollte man sie aus Daten lernen, insbesondere mit Hilfe von Inverse Reinforcement Learning. Anstatt eine Belohnungsfunktion wie beim klassischen Reinforcement Learning zu verwenden, wird nun die Belohnungsfunktion oder eine Parametrisierung derselben anhand der Daten optimiert, was zu einer präzisen Beschreibung des Verhaltens führt.

WIR BIETEN

  • ein interdisziplinäres Forschungsumfeld mit Partnern aus Wissenschaft und Wirtschaft
  • eine konstruktive Zusammenarbeit mit hellen, motivierten Mitarbeitern
  • eine angenehme Arbeitsatmosphäre

WIR ERWARTEN

  • Wissen auf dem Gebiet der Künstlichen Intelligenz (insbesondere Such- und Lernverfahren), Spieltheorie oder verwandten Bereichen
  • Fähigkeit sowohl State of the Art, als auch experimentelle Algorithmen zu implementieren
  • Gute C++ (C++11, STL, etc.) und Python Kenntnisse
  • Fundierte Englischkenntnisse
  • Hohe Kreativität und Produktivität
  • Erfahrungen mit Such- und Lernverfahren wie z.B. Monte Carlo Tree Search/Reinforcement Learning sind von Vorteil

ERFORDERLICHE UNTERLAGEN

  • aktueller Notenauszug
  • tabellarischer Lebenslauf

KONTAKT

Karl Kurzer