Labor für kooperative automatisierte Verkehrssysteme

MA1: Extraktion von Wissen aus der Intentionserkennung ungeschützter Verkehrsteilnehmer

Das Ziel dieser Masterarbeit ist es, eine Methode zu entwickeln, um Wissen aus einem bereits gelernten Modell für die Intentionserkennung ungeschützter Verkehrsteilnehmer zu extrahieren. Das gewonnene Wissen soll dabei plausibilisiert werden, um es wieder nutzbar für andere Anwendungen zu machen. Dabei soll das gewonnene Wissen so aufbereitet werden, dass es zum einen wieder beim Trainieren eines neuen Modells eingesetzt werden kann, als auch zur Erklärung der Prädiktionen der Intentionserkennung eingesetzt werden kann. Ersteres hilft dabei die Anzahl der benötigten Datenpunkte beim Lernen von Modellen zu reduzieren und letzteres kann bei sicherheitskritischen Anwendungen notwendig sein.

Diese Arbeit wird in Kooperation zwischen der Technischen Hochschule Aschaffenburg und der Continental Teves AG & Co. OHG durchgeführt.

MA2: Digitaler Zwilling einer Forschungskreung im CARLA Simulator

Das Ziel dieser Masterarbeit ist es, einen digitalen Zwilling der Forschungskreuzung der TH AB in den Verkehrssimulator CARLA zu erstellen. Im Rahmen des Projekts KI-DataTooling wurde die Forschungskreuzung der TH AB hochgenau vermessen. Dabei entstanden mehrere 3D-Assets (Meshes & Texturen) von Gebäuden, Straßen und Objekten im Kreuzungsbereich. Im Rahmen der Masterarbeit sollen diese 3D-Assets in die Unreal Engine importiert und eine digitale Welt in CARLA erstellt werden. Im Anschluss soll sowohl das Sensorsystem der Forschungskreuzung, als auch das Sensorsystem des Forschungsfahrzeugs der TH AB in CARLA nachgebildet werden. Des Weiteren sollen reale Messungen der Forschungskreuzung in die Simulation übertragen und in dieser nachgestellt werden.

BA1: Realistische Simulation von LiDAR Daten im CARLA Simulator

Die realistische Simulation von LiDAR Sensoren ist schwierig, da sich Messungen des Reflexionsgrads in gängigen Ray Casting Methoden kaum abbilden lassen. Ziel der Arbeit is es, einen auf Machine Learning basierten Ansatz zum Nachverarbeiten von LiDAR Simulationen aus dem CARLA Simulator zu entwickeln, um diese mit geschätzten Reflexionseigenschaften anzureichern.

BA2: Deep-Learning-gestützte Montageanalyse mithilfe von 3D-Simulation

Im Bereich der manuellen Montage lassen sich viele Prozesse nur schwer mithilfe von KI-Methoden erlernen, da passende Daten oft nicht einfach und schnell verfügbar sind. Eine vielversprechende Lösung hierfür bietet der Einsatz von Simulationen. Durch Simulationen können beliebig viele Szenarien in unterschiedlichsten Zusammensetzungen modelliert werden. Dies ermöglicht nicht nur die Generierung großer, vielfältiger Datensätze, sondern auch die gezielte Steuerung und Anpassung der Rahmenbedingungen, um die Eignung der Daten für maschinelles Lernen zu maximieren. Die Möglichkeiten zum Einsatz von Simulation sollen anhand einfacher Prozesse nachgebildet werden.

BA3: Attention Visualisierung: Worauf schauen die visuellen Modelle?

Aufgabenspezifische visuelle Embeddings spielen eine Schlüsselrolle beim Szenenverständnis. Allerdings besitzen Embeddings, die von verschiedenen Modellen für dieselbe Szene extrahiert wurden, oft unterschiedliche Fokusbereiche. Diese Arbeit zielt darauf ab, zu verstehen, worauf die Aufmerksamkeit von visuellen Foundation Modellen liegt. Diese sogenannte Attention soll für verschiedene Modelle visualisiert und analysiert werden.

BA4: Erkennung von 3D Objekt-Cuboids in Punktwolken

Auf Basis von LiDAR Punktwolken sollen in Echtzeit 3D Cuboids erkannt werden. Ein 3D Cuboid beschreibt die Position und Orientierung eines Objekts, z. B. eines Fahrzeugs im Raum. Für die Erkennung soll ein bereits existierendes Modell auf Daten des KAV Labors erweitert werden. Die Umsetzung erfolgt in der Programmiersprache Python.

SA1: Auswertung einer State-of-the-Art Methode zur Trajektorienvorhersage von ungeschützten Verkehrsteilnehmern

Eine aktuelle State-of-the-Art Methode zur Trajektorienvorhersage soll analysiert und ausgewertet werden. Die Methode soll in einem Docker-Container nutzbar gemacht werden. Nach erfolgreichem Training sollen das Model auf ein Set von Auswertemetriken und Testdatensätze evaluiert und dokumentiert werden.

SA2: Templates für ein HPC-Cluster

Die TH Aschaffenburg betreibt ein Cluster für High-Performance-Computing, welches aktuell aus drei Rechenknoten, mehreren Storage-Knoten und diversen Management-Nodes besteht. Für die Nutzung des Clusters sind bereits Templates für die Ausführung von Compute-Jobs vorhanden. Dieses Portfolio soll im Rahmen dieser Studienarbeit erweitert werden. 

SA3: Visualisierung einer Slurm-Datenbank

Die TH Aschaffenburg betreibt ein Cluster für High-Performance-Computing, welches aktuell aus drei Rechenknoten, mehreren Storage-Knoten und diversen Management-Nodes besteht. Die diversen Jobs der einzelnen Arbeitsgruppen werden derzeit über „Slurm“ verwaltet. Daten der einzelnen Jobs (Uhrzeit, Laufzeit, etc.) werden dabei in einer Datenbank gespeichert. Ziel dieser Studienarbeit ist es, diese statistischen Daten automatisiert auszuwerten und zu visualisieren.

SA4: Technisches Dokumentationskonzept eines HPC-Clusters

Die Konfiguration und Administration des HPC-Clusters der TH Aschaffenburg sind über das Automatisierungswerkzeug „Ansible“ implementiert und Code-nah dokumentiert. Im Rahmen dieser Studienarbeit sollen Dokumentationskonzepte nach dem Stand der Technik recherchiert und auf den Anwendungsfall evaluiert werden.

SA5: Verbesserung der Nutzungserfahrung im HPC-Cluster

In dieser Studienarbeit wird die Möglichkeit geboten, aktiv an der Verbesserung der Benutzererfahrung des High-Performance-Computing-Clusters der TH Aschaffenburg mitzuwirken, um die Nutzung des Clusters intuitiver und zugänglicher zu gestalten. Gleichzeitig werden wertvolle Einblicke in die Welt des Hochleitungsrechnens gewonnen und die Fähigkeiten im Umgang mit modernen Technologien weiterentwickelt.

SA6: Service-Monitoring-System für ein HPC-Cluster

Die TH Aschaffenburg betreibt ein Cluster für High-Performance-Computing, welches aktuell aus drei Rechenknoten, mehreren Storage-Knoten und diversen Management-Nodes besteht. Dieses Cluster wird bereits auf Host-/Hardware-Ebene mittels Prometheus überwacht (CPU-Temperatur, Auslastung, etc.) und über Grafana visualisiert. Im Rahmen dieser Studienarbeit soll dieses Monitoring-System erweitert werden, um die diversen benötigten Services (Datenbanken, Webservices, etc.) zu überwachen. Die Visualisierung soll ebenfalls in die bestehende Oberfläche Grafana integriert werden.

SA7: Analyse und Implementierung eines ArUco-basierten Systems zur Kamerapositionierung

Im Rahmen dieser Studienarbeit wird ein System zur Lokalisierung und Orientierung einer Kamera in einem definierten Raum entwickelt und analysiert. Der Fokus liegt auf der Nutzung von ArUco-Markern und der Programmbibliothek OpenCV. Ziel der Arbeit ist es, ein zuverlässiges System zu entwickeln, das Ground Truth (GT)-Daten für die 6D-Objekterkennung generiert, um so eine präzise Referenz für die Evaluierung von Objekterkennungsalgorithmen bereitzustellen.

SA8: Semantische Kartierung von Punktwolken für autonome Fahrzeuge

Zur sicheren Navigation von autonomen Fahrzeugen ist ein robustes Verständnis des Umfelds notwendig. Dazu gehört sowohl die Erkennung von Fahrbahnen, um zu wissen, wohin ein autonomes Fahrzeug navigieren kann, als auch die Erkennung von dynamischen Objekten, wie z. B. Personen, um Unfälle oder Gefahrensituation rechtzeitig zu vermeiden. Hierzu nutzen die Versuchsfahrzeuge des KAV Labors (1x Opel Insignia, 1x Linde Stapler) LiDAR (Light Detection and Ranging) Sensoren. Diese Sensoren umfassen zu jedem Zeitpunkt eine 3D-Punktwolke um das Fahrzeug. Im Rahmen der Arbeit soll zunächst ein bestehendes Modell zur “semantischen Segmentierung” auf interne Daten des KAV Labors erweitert werden

Aufnahmen an der Kreuzung erfolgen ausschließlich für den Zweck der Forschung und werden nicht an Dritte weitergegeben. Die einschlägigen Datenschutzbestimmungen werden eingehalten.

• Würzburger Straße ausgestattet mit Multi-view Stereo Kamerasystemen
• 6x 4k Farbkameras
• 2x Full-HD Monokameras
• 1x Highspeed Kamera
• GPS-synchrone Aufnahme
• Wetterstation inkl. Sichtweitensensor

Hochgenaues digitales Modell (~ 1cm Genauigkeit)

• Stereokamera Multisense S21
• Radar Delphi ESR 2.5
• Mobileye eyeQ3 Development Kit
• Sick LMS 511 Lidar
• ibeo Lux LiDAR
• ibeo SCALA B2 LiDAR
• Hochleistungsrechner mit i7 und Nvidia Titan X

• 16-64 Kern AMD EPYC / Threadripper Prozessoren
• 64-256 GB Arbeitsspeicher
• 2-6 TB PCIe 4.0 SSD Datenspeicher
• NVIDIA RTX 3090, RTX2080Ti und TitanV Grafikkarten
• Alle Systeme sind wassergekühlt

• 2x Intel Xeon Prozessoren
• 4x NVIDIA P100 SXM-2 GPUs
• 512 GB DDR4 Arbeitsspeicher
• 2 TB SSD Datenspeicher

• 2x 64 Kern AMD EPYC Prozessoren
• 4x NVIDIA A100 GPUs
• 1024 GB DDR4 Arbeitsspeicher
• 3 TB PCIe SSD Datenspeicher

• 2x 16 Kern AMD EPYC Prozessoren
• 2x 256 GB Arbeitsspeicher
• 500 TB Hardware-Managed RAID Datenspeicher

• Hannes Reichert, Manuel Hetzel, Andreas Hubert, Konrad Doll, Bernhard Sick; Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2024, pp. 1254-1261
• Andreas Hubert, Janis Jung, and Konrad Doll. 2023. Exploiting Self-Imposed Constraints on RGB and LiDAR for Unsupervised Training. In Proceedings of the 2023 6th International Conference on Machine Vision and Applications (ICMVA '23). Association for Computing Machinery, New York, NY, USA, 15–21. https://doi.org/10.1145/3589572.3589575
• S. Schreck, H. Reichert, M. Hetzel, K. Doll, "Height Change Feature Based Free Space Detection", November 2023, 2023 International Conference on Control, Mechatronics and Automation (ICCMA), doi: 10/1109/ICCMA59762.2023.10374705
• Andreas Hubert, “Scene Understanding at Manual Assembly Cells”, Organic Computing - Doctoral Dissertation Colloquium 2023, Herausgeber: Krupitzer, Tomforde, Kassel University Press
• Hannes Reichert, "Sensor Equivariance for Active Road User Safety”, Organic Computing - Doctoral Dissertation Colloquium 2023, Herausgeber: Krupitzer, Tomforde, Kassel University Press
• H. Reichert, M. Hetzel, S. Schreck, K. Doll and B. Sick, "Sensor Equivariance by LiDAR Projection Images," 2023 IEEE Intelligent Vehicles Symposium (IV), Anchorage, AK, USA, 2023, pp. 1-6, doi: 10.1109/IV55152.2023.10186817
• M. Hetzel, H. Reichert, G. Reitberger, E. Fuchs, K. Doll and B. Sick, "The IMPTC Dataset: An Infrastructural Multi-Person Trajectory and Context Dataset," 2023 IEEE Intelligent Vehicles Symposium (IV), Anchorage, AK, USA, 2023, pp. 1-7, doi: 10.1109/IV55152.2023.10186776
• Dominik Mittel, Andreas Hubert, Junsheng Ding and Alexander Perzylo: Towards a Knowledge-Augmented Socio-Technical Assistance System for Product Engineering, IEEE International Conference on Emerging Technologies And Factory Automation (ETFA), Sinaia, Romania
• Hetzel M.: Intention Detection Using Environmental Context and Enhanced Training Data for Vulnerable Road Users, Organic Computing - Doctoral Dissertation Colloquium 2022, Herausgeber: Krupitzer, Tomforde, Kassel University Press
• M. Bieshaar, S. Zernetsch, K. Riepe, K. Doll, and B. Sick: Cyclist  Motion State Forecasting - Going beyond Detection, 2021, IEEE Symposium Series on Computational Intelligence (SSCI), 2021. p. 1–8
• V. Kress, F. Jeske, S. Zernetsch, K. Doll, B. Sick: Pose and Semantic Map Based Probabilistic Forecast of Vulnerable Road Users’ Trajectories. IEEE Transactions on Intelligent Vehicles, Vol. 8, No. 3, 2023, pp. 2592-2603.  doi: 10.1109/TIV.2022.3149624
• S. Zernetsch, H. Reichert, V. Kress, K. Doll, B. Sick: A Holistic View on Probabilistic Trajectory Forecasting – Case Study: Cyclist Intention Detection, 2022 IEEE Intelligent Vehicles Symposium (IV), pp. 265-272, doi: 10.1109/IV51971.2022.9827220
• Jung J, Hubert A, Doll K, Kröhn M, Stadler J. Prozessinnovation: Selbstlernendes Assistenzsystem für die manuelle Montage. In: 18. Konferenz für Angewandte Auto­mati­sierungs­technik in Lehre und Entwicklung an Hochschulen (AALE). 2022
• Lampert P, Jung J, Hubert A, Doll K. Looping Through Color Space: A Simple Augmentation Method to Improve Biased Object Detection. In: Yang, XS., Sherratt, S., Dey, N., Joshi, A. (eds) Proceedings of Seventh International Congress on Information and Communication Technology (ICICT 2022). 2023. Lecture Notes in Networks and Systems, vol 447. Springer, Singapore. https://doi.org/10.1007/978-981-19-1607-6_61
• M. Hetzel, H. Reichert, K. Doll and B. Sick, Smart Infrastructure: A Research Junction, 2021 IEEE International Smart Cities Conference (ISC2), Manchester, United Kingdom, 2021, pp. 1-4, doi: 10.1109/ISC253183.2021.9562809
• H. Reichert, L. Lang, K Rösch, D. Bogdoll, K. Doll, B. Sick, H. C. Reuss, C. Stiller,  and J. M. Zöllner: Towards Sensor Data Abstraction of Autonomous Vehicle Perception Systems, 2021 IEEE International Smart Cities Conference (ISC2), Manchester, United Kingdom, 2021, pp. 1-4, doi: 10.1109/ISC253183.2021.9562912
• S. Zernetsch, O. Trupp, V. Kress, K. Doll and B. Sick, Cyclist Trajectory Forecasts by Incorporation of Multi-View Video Information, 2021 IEEE International Smart Cities Conference (ISC2), Manchester, United Kingdom, 2021, pp. 1-7, doi: 10.1109/ISC253183.2021.9562857
• J. Schneegans, J. Eilbrecht, S. Zernetsch, M. Bieshaar, K. Doll, O. Stursberg, and B. Sick: Probabilistic VRU Trajectory Forecasting for Model-Predictive Planning - A Case Study: Overtaking Cyclists, 2021 IEEE Intelligent Vehicles Symposium (Workshop), Nagoya, pp. 272-279, doi: 10.1109/IVWorkshops54471.2021.9669208
• V. Kress, S. Zernetsch, K. Doll, and B. Sick: Pose Based Trajectory Forecast of Vulnerable Road Users Using Recurrent Neural Networks, Pattern Recognition. ICPR International Workshops and Challenges, 2021, Springer International Publishing, pp. 57-71
• V. Kress, S. Schreck, S. Zernetsch, K. Doll, and B. Sick: Pose Based Action Recognition of Vulnerable Road Users Using Recurrent Neural Networks, 2020 IEEE Symposium Series on Computational Intelligence (SSCI), Canberra, 2020, pp. 2723-2730
• S. Zernetsch, S. Schreck, V. Kress, K. Doll, and B. Sick: Image Sequence Based Cyclist Action Recognition Using Multi-Stream 3D Convolution, 2020 International Conference on Pattern Recognition (ICPR), Milan, 2021, pp. 2620-2626
• M. Bieshaar, S. Zernetsch, K. Riepe, K. Doll, and B. Sick: Cyclist Motion State Forecasting - Going beyond Detection, 2021, 2021 IEEE Symposium Series on Computational Intelligence (SSCI), Orlando, FL, USA, 2021, pp. 1-8, doi: 10.1109/SSCI50451.2021.9660151
• S. Zernetsch, H.Reichert, V. Kress, K. Doll, and B. Sick: Cyclist Intention Detection: A Probabilistic Approach. arXiv: 2104.09176, https://arxiv.org/abs/2104.09176, 2021
• V. Kress, F. Jeske, S. Zernetsch, K. Doll, B. Sick: Pose and Semantic Map Based Probabilistic Forecast of Vulnerable Road Users’ Trajectories. arXiv: 2106.02598, arxiv.org/abs/2106.02598, 2021, accepted for publication in IEEE Transactions on Intelligent Vehicles.
• S. Zernetsch, O. Trupp, V. Kress, K. Doll, and B. Sick: Cyclist Trajectory Forecasts by Incorporation of Multi-View Video Information, IEEE International Smart Cities Conference 2021, pp. 1-7
• J. Schneegans, J. Eilbrecht, S. Zernetsch, M. Bieshaar, K. Doll, O. Stursberg, and B. Sick: Probabilistic VRU Trajectory Forecasting for Model-Predictive Planning - A Case Study: Overtaking Cyclists, 2021 IEEE Intelligent Vehicles Symposium (Workshop), Nagoya, (accepted)
• V. Kress, S. Zernetsch, K. Doll, and B. Sick: Pose Based Trajectory Forecast of Vulnerable Road Users Using Recurrent Neural Networks, Pattern Recognition. ICPR International Workshops and Challenges, 2021, Springer International Publishing, pp. 57-71
• V. Kress, S. Schreck, S. Zernetsch, K. Doll, and B. Sick: Pose Based Action Recognition of Vulnerable Road Users Using Recurrent Neural Networks, 2020 IEEE Symposium Series on Computational Intelligence (SSCI), Canberra, 2020, pp. 2723-2730
• S. Zernetsch, S. Schreck, V. Kress, K. Doll, and B. Sick: Image Sequence Based Cyclist Action Recognition Using Multi-Stream 3D Convolution, 2020 International Conference on Pattern Recognition (ICPR), Milan, 2021, pp. 2620-2626
• M. Goldhammer, S. Köhler, S. Zernetsch, K. Doll, B. Sick, and K. Dietmayer: Intentions of Vulnerable Road Users – Detection and Forecasting by Means of Machine Learning, 2020 IEEE Transactions on Intelligent Transportation Systems, 2020, vol. 21, no. 7, pp. 3035-3045
• V. Kress, S. Zernetsch, K. Doll, and B. Sick: Pose Based Trajectory Forecast of Vulnerable Road Users, 2019 IEEE Symposium Series on Computational Intelligence (SSCI), Xiamen, 2019, pp. 1200-1207
• V. Kress, J. Jung, S. Zernetsch, K. Doll, and B. Sick: Pose Based Start Intention Detection of Cyclists, 2019 IEEE 22th International Conference on Intelligent Transportation Systems (ITSC), Auckland, 2019, pp. 2381-2386
• V. Kress, J. Jung, S. Zernetsch, K. Doll, and B. Sick: Start Intention Detection of Cyclists using an LSTM Network, INFORMATIK 2019: 50 Jahre Gesellschaft für Informatik - Informatik für Gesellschaft (Workshop-Beiträge). Bonn : Gesellschaft für Informatik e.V., 2019, S. 219-228
• S. Zernetsch, H. Reichert, V. Kress, K. Doll, and B. Sick: Trajectory Forecasts with Uncertainties of Vulnerable Road Users by Means of Neural Networks, 2019 IEEE Intelligent Vehicles Symposium (IV), Paris, 2019
• V. Kress, J. Jung, S. Zernetsch, K. Doll and B. Sick: Human Pose Estimation in Real Traffic Scenes, 2018 IEEE Symposium Series on Computational Intelligence (SSCI), Bangalore, 2018, pp. 518-523
• G. Reitberger, S. Zernetsch, M. Bieshaar, B. Sick, K. Doll, and E. Fuchs: Cooperative Tracking of Cyclists Based on Smart Devices and Infrastructure, 2018 IEEE International Conference in Intelligent Transportation Systems (ITSC), Maui, 2018
• S. Zernetsch, V. Kress, B. Sick, and K. Doll: Early Start Intention Detection of Cyclists Using Motion History Images and a Deep Residual Network, 2018 IEEE Intelligent Vehicles Symposium (IV), Chang Shu, 2018, pp. 2036-2041
• S. Köhler, K. Doll, S. Kebinger, D. Schmitt, M. Kröhn, M. Fried and R. Börsig: Prozessinnovation: Hochautomatisiert lernendes Assistenzsystem für die manuelle Montage, Konferenz für Angewandte Automatisierungstechnik in Lehre und Entwicklung (AALE), Seite 153-164, Köln, 2018, (ISBN: 978-3-8007-4522-7)
• S. Köhler, K. Doll, S. Kebinger, D. Schmitt, M. Kröhn, M. Fried and R. Börsig: Gestenerkennung in einem hochautomatisiert lernenden Assistenzsystem für manuelle Montageprozesse, AUTOMATION 2018, VDI-Berichte 2330, Seite 145-156, Baden-Baden, 2018, (ISBN: 978-3-18-092330-7)
• M. Bieshaar, S. Zernetsch, A. Hubert, B. Sick, and K. Doll: Cooperative Starting Movement Detection of Cyclists Using Convolutional Neural Networks and a Boosted Stacking Ensemble IEEE Transactions on Intelligent Vehicles, 2018, 3, 534-544
• M. Bieshaar, G. Reitberger, V. Kreß, S. Zernetsch, K. Doll and E. Fuchs, B. Sick: Highly Automated Learning for Improved Active Safety of Vulnerable Road Users, ACM Chapters Computer Science in Cars Symposium (CSCS), München, Juli 2017
• M. Bieshaar, S. Zernetsch, M. Depping, B. Sick and K. Doll: Cooperative starting intention detection of cyclists based on smart devices and infrastructure, 2017 IEEE 20th International Conference on Intelligent Transportation Systems (ITSC), Yokohama, 2017, pp. 1-8
• J. Eilbrecht, M. Bieshaar, S. Zernetsch, K. Doll, B. Sick and O. Stursberg: Model-predictive planning for autonomous vehicles anticipating intentions of vulnerable road users by artificial neural networks, 2017 IEEE Symposium Series on Computational Intelligence (SSCI), Honolulu, HI, 2017, pp. 1-8
• A. Hubert, S. Zernetsch, K. Doll and B. Sick: Cyclists starting behavior at intersections: 2017 IEEE Intelligent Vehicles Symposium (IV), Los Angeles, CA, 2017, pp. 1071-1077
• B. Maarten, G. Reitberger, S. Zernetsch, B. Sick, E. Fuchs and K. Doll: Detecting intentions of vulnerable road users based on collective intelligence, AAET – Automatisiertes und vernetztes Fahren, 04.05.2017
• K. Doll and K. Zindler: Hochautomatisiertes Fahren: Sensordatenverarbeitung und Fahrzeugführung, Technologieforum Innovative Sensorik-Anwendungen im Automotive-Bereich, 2016
• M. Kröhn, E. Eifert, K. Doll, T. Prochus and M. Hahnle: Gestengesteuerte Prozessanalyse: Mit intelligenten Lösungen in die Fabrik der Zukunft, atp edition 12, 2016
• S. Zernetsch, S. Kohnen, M. Goldhammer, K. Doll and B. Sick: Trajectory Prediction of Cyclists Using a Physical Model and an Artificial Neural Network, 2016 IEEE Intelligent Vehicles Symposium, Gothenburg, Sweden, pp. 833-838
• S. Hock, M. Hahnle and K. Doll: Fusion von Fußgängererkennungen auf FPGAs, 55. Workshop der Multiproject-Chip-Gruppe Baden-Württemberg, Karlsruhe, 05.02.2016
• M. Goldhammer, S. Köhler, K. Doll and B. Sick: Track-Based Forecasting of Pedestrian Behavior by Polynomial Approximation and Multilayer Perceptrons, Intelligent Systems and Applications: Extended and Selected Results from the SAI Intelligent Systems Conference (IntelliSys) 2015, Springer International Publishing, pp. 259-279, 2016
• S. Köhler, M. Goldhammer, K. Zindler, K. Doll and K. Dietmayer: Stereo-Vision-Based Pedestrian’s Intention Detection in a Moving Vehicle, International IEEE Conference on Intelligent Transportation Systems (ITSC 2015), Las Palmas de Gran Canaria, Spain, S. 2317-2322, 2015
• S. Hahn, K. Zindler, K. Doll and U. Jumar: New Control Scheme for a Lane-Keeping Evasive Maneuver Exploiting the Free Space Optimally, 20th International Conference on Methods and Models in Automation and Robotics, Miedzyzdroje, Poland, S. 856-861, 2015
• K. Doll, S. Köhler, M. Goldhammer and U. Brunsmann, Pedestrian Movement Modelling and Trajectory Prediction at Urban Intersections, Vortrag im Rahmen des Workshops “Interaction of Automated Vehicles with other Traffic Participants”, International IEEE Conference on Intelligent Transportation Systems (ITSC 2015), Las Palmas de Gran Canaria, Spain, 2015
• M. Goldhammer, S. Köhler, K. Doll and B. Sick: Camera Based Pedestrian Path Prediction by Means of Polynomial Least-squares Approximation and Multilayer Perceptron Neural Networks, SAI Intelligent Systems Conference 2015, London, UK, S. 390-399, 2015
• K. Zindler, N. Geiß, K. Doll and S. Heinlein: Real-Time Ego-Motion Estimation using Lidar and a Vehicle Model Based Extended Kalman Filter, International IEEE Conference on Intelligent Transportation Systems (ITSC 2014), Qingdao, China, pp. 425-432, 2014
• M. Goldhammer, A. Hubert, S. Köhler, K. Zindler, U. Brunsmann, K. Doll and B. Sick: Analysis on Termination of Pedestrians‘ Gait at Urban Intersections, International IEEE Conference on Intelligent Transportation Systems (ITSC 2014), Qingdao, China, pp. 1752-1757, 2014
• M. Goldhammer, K. Doll, U. Brunsmann, A. Gensler and B. Sick: Pedestrian’s Trajectory Forecast in Public Traffic with Artificial Neural Networks, International Conference on Pattern Recognition (ICPR 2014), Stockholm, Sweden, pp. 4110–4115, 2014
• S. Köhler, M. Goldhammer, S. Bauer, S. Zecha, K. Doll. U. Brunsmann and K. Dietmayer: Stationary Detection of the Pedestrian's Intention at Intersections, IEEE Intelligent Transportation Systems Magazine, pp. 87-99, Winter 2013
• M. Goldhammer, M. Gerhard, S. Zernetsch, K. Doll and U. Brunsmann: Early Prediction of a Pedestrian's Trajectory at Intersections, 16th International IEEE Conference on Intelligent Transportation Systems (ITSC 2013), The Haag, The Netherlands, pp. 237-242, 2013
• M. Hahnle, F. Saxen, M. Hisung, U. Brunsmann and K. Doll: FPGA-based Real-Time Pedestrian Detection on High-Resolution Images, 9th IEEE Embedded Vision Workshop 2013, Portland, Oregon, USA, pp. 629-635, 2013
• S. Köhler, B. Schreiner, S. Ronalter, K. Doll, U. Brunsmann and K. Zindler: Autonomous Evasive Maneuvers Triggered by Infrastructure-Based Detection of Pedestrian Intentions, IEEE Intelligent Vehicles Symposium (IV' 13), Gold Coast, Australien, pp. 519-526, 2013
• M. Hahnle, F. Saxen and K. Doll: Erkennung von Fußgängern in Echtzeit auf FPGAs, 49. MPC-Workshop, Mannheim, 2013
• S. Köhler, K. Doll and U. Brunsmann: Videobasierte Erkennung von Fußgängerintentionen zur Steigerung der Verkehrssicherheit, Messe-Exponat und Vortrag, Vision 2012, Stuttgart, 06.-08. November, 2012
• M. Goldhammer, U. Brunsmann and K. Doll: Verkehrssicherheitsforschung: Bildverarbeitung an intelligenten Kreuzungen, Messe-Exponat und Vortrag, Vision 2012, Stuttgart, 06.-08. November, 2012
• S. Köhler, M. Goldhammer, S. Bauer, K. Doll, U. Brunsmann and K. Dietmayer: Early Detection of the Pedestrian’s Intention to Cross the Street, 15th International IEEE Conference on Intelligent Transportation Systems (ITSC 2012), Anchorage, Alaska, USA, pp. 1759-1764, 2012
• M. Goldhammer, E. Strigel, D. Meissner, U. Brunsmann, K. Doll and K. Dietmayer: Cooperative Multi Sensor Network for Traffic Safety Applications at Intersections, 15th International IEEE Conference on Intelligent Transportation Systems (ITSC 2012), Anchorage, Alaska, USA, pp. 1178-1183, 2012
• D. Westhofen, C. Gründler, K. Doll, U. Brunsmann and S. Zecha: Transponder- and Camera-Based Advanced Driver Assistance System, IEEE Intelligent Vehicles Symposium (IV' 12), Alcala de Henares, Spanien, pp. 293-298, 2012
• F. Fellhauer, M. Schmitt and K. Doll: Echtzeit-BLOB-Analyse mit Lauflängenkodierung und -dekodierung auf einem FPGA, 47. MPC-Workshop, Offenburg, pp. 35–41, 2012
• J. Kempf, M. Schmitt, S. Bauer, U. Brunsmann and K. Doll: Real-Time Processing of High-Resolution Image Streams using a Flexible FPGA Platform, Proceedings of the Embedded World Conference, Nürnberg, 2012
• F. Saxen, K. Doll and U. Brunsmann: Support Vector Pruning with SortedVotes for Large-Scale Datasets, IEEE International Conference on Intelligent Computing and Intelligent Systems (ICIS 2011), Guangzhou, China, pp. 305-309, 2011
• S. Schlotterbeck-Macht, K. Doll and U. Brunsmann: Introducing Chip Design using Speed of Light, 7th. International CDIO Conference, Kopenhagen, Dänemark, 2011. <a href="http://www.cdio2011.dtu.dk/upload/administrationen%20-%20101/aus/cdio/conference_media/papers/19_paper.pdf"> pdf</a>
• D. Weimer, S. Köhler, C. Hellert, K. Doll, U. Brunsmann and R. Krzikalla: GPU Architecture for Stationary Multisensor Pedestrian Detection at Smart Intersections, IEEE Intelligent Vehicles Symposium (IV'11), Baden-Baden, pp 89-94, 2011. <a href="http://ieeexplore.ieee.org/xpl/freeabs_all.jsp?arnumber=5940411">IEEE Xplore</a>
• J. Kempf and K. Doll: Modulare Hardware-Software Bildverarbeitungsplattform am Beispiel einer Vordergrund-Hintergrundtrennung, 45. MPC-Workshop, Albstadt-Sigmaringen, 2011
• M. Berberich and K. Doll: Highly Flexible FPGA-Architecture of a Support Vector Machine, 45. MPC-Workshop, Albstadt-Sigmaringen, 2011
• S. Bauer, S. Köhler, K. Doll and U. Brunsmann: FPGA-GPU Architecture for Kernel SVM Pedestrian Detection; Embedded Computer Vision Workshop, CVPR, San Francisco, 2010
• U. Brunsmann, K. Doll, C. Hellert, J. Kempf, S. Köhler, F. Saxen and D. Weimer: Intelligente Verkehrssicherheits- und Informationssysteme, Posterpräsentation und Echtzeitdemonstration, Messestand SafetyExpo, Aschaffenburg, 2010
• Th. Duttine and K. Doll: Realisierung eines FPGA-basierten Echtzeitdifferenzbildsensors für Verkehrsassistenzsysteme, 41. MPC-Workshop, Künzelsau, pp 51-60, 2009
• S. Bauer, U. Brunsmann, K. Doll, T. Duttine and S. Schlotterbeck-Macht: Kompetenz in Kreuzungsassistenz, Posterpräsentation und Echtzeitdemonstration, Messestand SafetyExpo, Aschaffenburg, 2009

• Best Paper Award für M. Goldhammer, S. Köhler, K. Doll und B. Sick anlässlich der SAI Intelligent Systems Conference 2015 in London für den Beitrag "Camera Based Pedestrian Path Prediction by Means of Polynomial Least-Squares Approximation and Multilayer Perceptron Neural Networks".
• IEEE-EVW Best Paper Award für M. Hahnle, F. Saxen, M. Hisung, U. Brunsmann und K. Doll im Rahmen des Embedded Vision Workshops der im Rahmen der CVPR 2013 in Portland stattfand für den Beitrag "FPGA-based Real-Time Pedestrian Detection on High-Resolution Images".
• F. Fellhauer: IEEE Best Student Paper Award anlässlich des MPC-Workshops in Offenburg (2012)
• M. Berberich: IEEE Best Student Paper Award anlässlich des MPC-Workshops in Albstadt-Sigmaringen (2011)
• IEEE-ECV Best Paper Award für Konrad Doll, Sebastian Bauer, Ulrich Brunsmann und Sebastian Köhler im Rahmen der CVPR, San Francisco, 2010, für den Beitrag "FPGA-GPU Architecture for Kernel SVM Pedestrian Detection"
• T. Duttine: IEEE Best Student Paper Award anlässlich der MPC-Workshops in Künzelsau (2009)