Stage-oe-small.jpg

Thema4491

Aus Aifbportal
Wechseln zu:Navigation, Suche



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