Im Rahmen der laufenden Forschungsaktivitäten werden Master-, Bachelor- und Studienarbeiten angeboten. Mögliche Themengebiete sind:

  • Automatisiertes Fahren
  • Industrie 4.0
  • Maschinelles Lernen
  • Datenverarbeitung
  • Programmierung

Aktuell bieten wir folgende Themen an:

Masterarbeiten


MA1:
Zuverlässige Vorhersage von Trajektorien ungeschützter Verkehrsteilnehmer im urbanen Verkehr

- Um eine sichere und zuverlässige Fahrt eines autonomen Fahrzeugs im urbanen Verkehr zu ermöglichen ist es notwendig, das Verhalten von anderen Verkehrsteilnehmern, insbesondere von ungeschützten Verkehrsteilnehmern (VRUs), zu verstehen und zu antizipieren. Eine Möglichkeit zur Bewegungsantizipation von Verkehrsteilnehmern ist die Vorhersage ihrer zukünftigen Trajektorien. Die Trajektorienvorhersage von Verkehrsteilnehmern in einem komplexen, urbanen Umfeld ist nicht trivial, da das Verhalten von Verkehrsteilnehmern extrinsich beeinflusst wird. Das umfasst Interaktionen zwischen Verkehrsteilnehmern, Verkehrsregeln, oder die gegebene Straßentopologie. Es sollen probabilistische Methoden zur Mutli-Agent Trajektorienvorhersage entwickelt bzw. bestehende Methoden angewandt werden. Hierbei soll explizit die Interaktion zwischen verschiedenen Verkehrsteilnehmern mit modelliert werden. Diese Methoden sollen unter Berücksichtigung der Zuverlässigkeit und der Nutzbarkeit der Vorhersagen evaluiert werden. Als Datenbasis dient die Forschungskreuzung der TH Aschaffenburg.

- Zu den Aufgaben zählen die Anwendung von Methoden des maschinellen Lernens sowie zur Datenverarbeitung und (Echtzeit-)Programmierung in Python und/oder C++, sowie Robot Operating System (ROS).


MA2:
Anwendung künstlicher Intelligenz zur gezielten Veränderung von Bild und Videodaten für kritische Situationen

- Bild- und Videodaten sollen durch den Einsatz neuronaler Netze gezielt optisch verändert werden. Hierbei geht es konkret um die Modifikation des optischen Erscheinungsbildes von Fußgängern und Radfahrern. Es soll eine automatisierte Toolchain zur Verarbeitung der Daten aufgebaut werden.

- Zu den Aufgaben zählt die Anwendung von Methoden des maschinellen Lernens sowie zur Datenverarbeitung und (Echtzeit-)Programmierung in Python und/oder C++.


MA3:
Sensordatenfusion von LIDAR- und Kamerasensoren

- Es sollen unterschiedliche Abstraktionsebenen zur Fusion von LIDAR- und Kameradaten hinsichtlich ihrer Eignung für Objekterkennung und Trajektorienvorhersage untersucht werden. Ziel ist es, die Umfeldwahrnehmung zu verbessern.

- Zu den Aufgaben zählen die Anwendung von Methoden des maschinellen Lernens sowie zur Datenverarbeitung und (Echtzeit-)Programmierung in Python und/oder C++ sowie Robotic Operationg System (ROS).

 

MA4:
Simulationsgestützte Erzeugung von Trainingsdaten für das autonome Fahren

- Reale Daten aus dem Straßenverkehr können nicht alle Eventualitäten abbilden. Beinahe-Unfälle und kritische Situationen werden nur selten oder gar nicht von Versuchsfahrzeugen erfasst. Für das autonome Fahren sind gerade diese Situationen besonders wichtig. An dieser Stelle können Simulationen/virtuelle Umgebungen Abhilfe schaffen. Ziel der Arbeit ist es, für das Training neuronaler Netze geeignete Daten zu erzeugen sowie deren Nutzbarkeit zu demonstrieren.

- Zu den Aufgaben zählen die Anwendung von Methoden des maschinellen Lernens sowie zur Datenverarbeitung und (Echtzeit-)Programmierung in Python und/oder C++.


MA5:
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.

MA6:   
Algorithmen zur Wahrnehmung der Umgebung für autonome Flurförderzeuge

Ziel der Arbeit ist die Integration von geeigneten Perzeptionsalgorithmen in ein Sensorframework. Die Algorithmen sollen eine Repräsentation des direkten Umfeldes von Flurförderzeugen aus mehreren Sensoren erstellen. Die Detektion von Objekten in der Umgebung erfolgt mithilfe von maschinellem Lernen. Methoden des maschinellen Lernens, Sensordatenverarbeitung und Implementierung sollen mit Python durchgeführt werden.

MA7:   
Integration von Flurförderzeugen und Infrastruktur in eine Simulationsumgebung zur Erzeugung von synthetischen Daten

Die Erzeugung von künstlichen Daten für das Vortraining von Modellen des maschinellen Lernens gewinnt immer mehr Bedeutung. Für das Training von Objektdetektoren im Kontext von autonomen Flurförderzeugen sollen diese in eine Simulationsumgebung integriert werden. Darüber hinaus muss auch das industrielle Umfeld einer Lagerhalle als Umgebung des Flurförderzeugs erstellt und integriert werden. Das künstliche Modell soll zur Generierung von Trainingsdaten, sowie der Evaluation von Sensorik herangezogen werden. Mögliche Simulationsumgebungen sind Carla oder NVIDIA IsaacSim.

MA8:   
Bildbasierte Objekterkennung auf Basis von CAD Modellen

Assistenzsysteme können in Industrieprozessen verwendet werden, um Werker zu schulen, aber auch, um Werker zu helfen, ein dauerhaft hohes Qualitätslevel zu halten. Die meisten Assistenzsysteme basieren auf der Erkennung von Points of Interest, wie z.B. Händen, Fingern, Arbeitsgeräten, usw. Da Arbeitsplätze meist nicht für alle Montageschritte genormt aufgebaut werden können, besteht eine wesentliche Herausforderung darin, Bauteile und Werkzeuge robust und automatisiert auf dem Arbeitsplatz zu lokalisieren. Um den Aufwand der Erzeugung großer Datenmengen für KI-Algorithmen zu umgehen, sollen z.B. 3D-Zeichnungen oder 2D-Detailaufnahmen für die Erkennung verwendet werden.

 

Bachelorarbeiten


BA1:
Training und Optimierung von neuronalen Netzen zur Erkennung von Körperposen in Kamerabildern

- Aktuelle Fahrerassistenzsysteme nutzen nur die grundlegende Objekterkennung für die Umfeldwahrnehmung und Bewegungsantizipation. Bezieht man zusätzliche Informationen, wie z.B. Gelenkpunkte/Körperposen von Fußgängern und Radfahrern mit ein, so kann die Umfeldwahrnehmung und Bewegungsantizipation zukünftig, dank dieser Zusatzinformationen, deutlich verbessert werden. Mittels künstlicher Intelligenz sollen bildbasiert Gelenkpunkte/Körperposen von Fußgängern und Radfahrern zuverlässig erkannt werden. Anschließend sollen die einzelnen 2D Posen über Sequenzen zu kompletten Bewegungsabläufen zusammengeführt werden.

- Kenntnisse im Bereich Datenverarbeitung sowie der Programmiersprache C++/Python sind hilfreich.

BA2:
Anwendung künstlicher Intelligenz zur gezielten Veränderung von Bild- und Videodaten

- Bild- und Videodaten sollen durch den Einsatz neuronaler Netze gezielt optisch verändert werden. Hierbei geht es konkret um die Modifikation des optischen Erscheinungsbildes von Fußgängern und Radfahrern. Es soll eine automatisierte Toolchain zur Verarbeitung der Daten aufgebaut werden.

- Zu den Aufgaben zählen Anwendung von Methoden des maschinellen Lernens sowie zur Datenverarbeitung und (Echtzeit-)Programmierung in Python und/oder C++.

BA3:
Integration von benutzerdefinierten Fahrzeugmodellen in einen Simulator für das autonome Fahren

Für die Simulation von Szenarien im industriellen Umfeld, abseits von öffentlichen Straßen, ist es notwendig neben PKW und LKW auch andere Fahrzeugtypen zu simulieren. Hierzu können Flurförderzeuge oder auch Schlepper zählen. Ziel der Arbeit ist die Integration von benutzerdefinierten Fahrzeugmodellen in eine Simulationsumgebung (z.B. Carla oder NVIDIA IsaacSim).

BA4:
Erkennung von Aktivitäten in manuellen Montageprozessen durch Methoden des maschinellen Lernens

Es sollen Aktivitäten aus Videodaten bzw. daraus abstrahierten Daten (z.B. Bewegung der Hände) erkannt werden. Die Erkennung der Aktivitäten dient der Qualitätssicherung und soll zudem zu Schulungszwecken zum Einsatz kommen. Die Programmierung erfolgt über die Sprache Python.

 

Studienarbeiten


SA1:
Training und Optimierung von neuronalen Netzen zur Erkennung von Körperposen in Kamerabildern

Vorhandene Netze zur Erkennung von Körperposen sollen auf spezialisierte Anwendungsfälle optimiert werden. Dies umfasst Datenbereitstellung, Training und Evaluation.

SA2:
Tiefenkartenbasierte Detektion einer Aktivität an einem manuellen Montagearbeitsplatz

Im Rahmen eines Industriearbeitsplatzes soll ein Verfahren zur Erkennung von verschiedenen positions-definierten Tätigkeiten auf Basis von Tiefeninformationen implementiert und getestet werden.

SA3:
Detektion von Bewegungstrajektorien mit Hilfe des optischen Flusses

Im Rahmen eines Industriearbeitsplatzes soll ein Verfahren zur Erkennung von Aktivitäten/Bewegungen auf Basis von optischem Fluss in Farbbildern implementiert und getestet werden.

SA4:
Kalibrierung eines Kamera-Beamer-Systems

Zur optischen Unterstützung von Montagevorgängen kann ein Beamer verschiedene Bereiche durch entsprechende Beleuchtung hervorheben. Da interessante Bereiche oft nicht vorbestimmt werden können, ist es notwendig eine Zuordnung von dargestellten Beamerpixel zur Kamerapixel herzustellen.

SA5:
Verbesserung der Genauigkeit von Kamerakalibrierungen durch Verwendung einer Dreieck-Struktur

Standardmäßig werden Schachbrettmuster zur Kalibrierung von Kameras herangezogen. Durch eine Verwendung einer Dreiecks-Struktur im Vergleich zu einer Quadrat-Struktur, kann die Subpixelgenauigkeit der Eckenerkennung und damit auch der Kamerakalibrierung verbessert werden. In der Arbeit soll ein Vergleich zwischen dem Erkennungsfehler von Ecken in Dreieck-Strukturen und dem in Schachbrettmustern durchgeführt werden.

 

Zur Bearbeitung der Themen sollten Sie Interesse und Spaß an der Anwendung von Mathematik und Informatik haben. Gute Vorkenntnisse in den Programmiersprachen C/C++ und Python sind hilfreich.

Bei Interesse wenden sie sie bitte an Prof. Dr.-Ing. Konrad Doll.