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

Thema4491: Unterschied zwischen den Versionen

Aus Aifbportal

Wechseln zu: Navigation, Suche
(Die Seite wurde neu angelegt: „{{Abschlussarbeit |Titel=Machine Learning applied to Automated/Autonomous Driving - Cooperative Multi-Agent Reinforcement Learning with Safety Assurances |Absc…“)
 
 
(Eine dazwischenliegende Version desselben Benutzers wird nicht angezeigt)
Zeile 3: Zeile 3:
 
|Abschlussarbeitstyp=Master
 
|Abschlussarbeitstyp=Master
 
|Betreuer=Karl Kurzer;
 
|Betreuer=Karl Kurzer;
 +
|Partner=FZI Forschungszentrum Informatik;
 
|Forschungsgruppe=Angewandte Technisch-Kognitive Systeme
 
|Forschungsgruppe=Angewandte Technisch-Kognitive Systeme
 
|Abschlussarbeitsstatus=Offen
 
|Abschlussarbeitsstatus=Offen
 
|Beginn=2019/8/14
 
|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
 +
Perspektive heraus, ohne Kooperationsaspekte mit, beziehungsweise zwischen anderen Verkehrsteilnehmern zu berücksichtigen.
 +
 +
'''AUFGABEN'''
 +
 +
Das Ziel dieser Arbeit ist die Erstellung von Reinforcement Learning Modellen, die in der Lage sind innerhalb von Sicherheitsmargen auf Grundlage risikoarmer Aktionen, ein RSS-konformes Fahrverhalten zu erlernen. Hierfür müssen Modell- und Sensorunsicherheiten im Zustandsraum abgebildet werden. Ausgehend von Darstellung müssen bisherige Arbeiten wie RSS, die eine einseitige Sicherheit während der Fahrt gewährleisten, erweitert werden, um der Unsicherheit des Zustandsraums Rechnung zu tragen. RSS führt sowohl die Risikobewertung (Klassifizierung von sicheren/gefährlichen Situationen) als auch die Risikominderung (Generierung der richtigen Reaktion) durch. Diese Aspekte sollten den tatsächlichen Lernprozess überwachen und die endgültige Strategie einschränken.
 +
 +
'''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 maschinelle Lernverfahren), Spieltheorie oder verwandten Bereichen
 +
*Fähigkeit sowohl State of the Art, als auch experimentelle Algorithmen zu implementieren
 +
*Gute Python Kenntnisse
 +
*Fundierte Englischkenntnisse
 +
*Hohe Kreativität und Produktivität
 +
*Erfahrung mit Reinforcement Learning ist von Vorteil
 +
 +
'''ERFORDERLICHE UNTERLAGEN'''
 +
 +
*aktueller Notenauszug
 +
*tabellarischer Lebenslauf
 +
 +
'''KONTAKT'''
 +
 +
Karl Kurzer
 +
|Beschreibung EN=Automated, cooperative vehicles have to make decisions in road traffic in a highly dynamic, interacting and incompletely perceptible environment. Previous attempts are usually limited to situation assessment from an egocentric perspective, without taking cooperation aspects into account, or interactions between other road users.
 +
 +
'''TASKS'''
 +
 +
The goal of this work is to create reinforcement learning models capable of learning an RSS-compliant driving policy within safety margins based on low-risk actions. For that, the state space needs to consider model and sensor uncertainties in its representation. Building on this representation, previous works such as RSS that assure onesided safety while driving, need to be extended to account for the uncertainty of the state space. RSS conducts risk assessment (classification of safe/dangerous situations) as well as risk mitigation (generation of the proper response). These aspects should supervise the actual learning process as well as constrain the final policy.
 +
 +
'''WE OFFER'''
 +
*An interdisciplinary research environment with partners from science and industry
 +
*A constructive collaboration with bright, motivated employees
 +
*A pleasant working atmosphere
 +
 +
'''WE EXPECT'''
 +
*Knowledge in depth and breadth in the field of artificial intelligence (especially machine learning), game theory or closely related areas
 +
*Ability to implement both state of the art, as well as experimental algorithms
 +
*Good Python Skills
 +
*Sound English skills
 +
*High creativity and productivity
 +
*Experience with Reinforcement Learning is a plus
 +
 +
'''REQUIRED DOCUMENTS'''
 +
 +
*current transcript of records
 +
*CV
 +
 +
'''CONTACT'''
 +
 +
Karl Kurzer
 
}}
 
}}

Aktuelle Version vom 14. August 2019, 13:58 Uhr



Machine Learning applied to Automated/Autonomous Driving - Cooperative Multi-Agent Reinforcement Learning with Safety Assurances



Informationen zur Arbeit

Abschlussarbeitstyp: Master
Betreuer: Karl Kurzer
Forschungsgruppe: Angewandte Technisch-Kognitive Systeme
Partner: FZI Forschungszentrum Informatik
Archivierungsnummer: 4491
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 die Erstellung von Reinforcement Learning Modellen, die in der Lage sind innerhalb von Sicherheitsmargen auf Grundlage risikoarmer Aktionen, ein RSS-konformes Fahrverhalten zu erlernen. Hierfür müssen Modell- und Sensorunsicherheiten im Zustandsraum abgebildet werden. Ausgehend von Darstellung müssen bisherige Arbeiten wie RSS, die eine einseitige Sicherheit während der Fahrt gewährleisten, erweitert werden, um der Unsicherheit des Zustandsraums Rechnung zu tragen. RSS führt sowohl die Risikobewertung (Klassifizierung von sicheren/gefährlichen Situationen) als auch die Risikominderung (Generierung der richtigen Reaktion) durch. Diese Aspekte sollten den tatsächlichen Lernprozess überwachen und die endgültige Strategie einschränken.

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 maschinelle Lernverfahren), Spieltheorie oder verwandten Bereichen
  • Fähigkeit sowohl State of the Art, als auch experimentelle Algorithmen zu implementieren
  • Gute Python Kenntnisse
  • Fundierte Englischkenntnisse
  • Hohe Kreativität und Produktivität
  • Erfahrung mit Reinforcement Learning ist von Vorteil

ERFORDERLICHE UNTERLAGEN

  • aktueller Notenauszug
  • tabellarischer Lebenslauf

KONTAKT

Karl Kurzer