Thema4406: Unterschied zwischen den Versionen
Co1539 (Diskussion | Beiträge) |
Co1539 (Diskussion | Beiträge) |
||
| Zeile 22: | Zeile 22: | ||
*Wissen auf dem Gebiet der Künstlichen Intelligenz (insbesondere Such- und Lernverfahren), Spieltheorie oder verwandten Bereichen | *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 | *Fähigkeit sowohl State of the Art, als auch experimentelle Algorithmen zu implementieren | ||
| − | *C++ | + | *Gute C++ (C++11, STL, etc.) und Python Kenntnisse |
*Fundierte Englischkenntnisse | *Fundierte Englischkenntnisse | ||
*Hohe Kreativität und Produktivität | *Hohe Kreativität und Produktivität | ||
| Zeile 49: | Zeile 49: | ||
*Knowledge in depth and breadth in the field of artificial intelligence, game theory or closely related areas | *Knowledge in depth and breadth in the field of artificial intelligence, game theory or closely related areas | ||
*Ability to implement both state of the art, as well as experimental algorithms | *Ability to implement both state of the art, as well as experimental algorithms | ||
| − | *C++ | + | *Good C++ (C++11, STL, etc.) and Python Skills |
*Sound English skills | *Sound English skills | ||
*High creativity and productivity | *High creativity and productivity | ||
Version vom 14. Januar 2019, 10:53 Uhr
Abschlussarbeitstyp: Master
Betreuer: Karl Kurzer
Forschungsgruppe: Angewandte Technisch-Kognitive Systeme
Partner: FZI Forschungszentrum Informatik
Archivierungsnummer: 4406
Abschlussarbeitsstatus: Offen
Beginn:
14. Januar 2019
Abgabe: unbekannt
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