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:   
Entwicklung von KI-Methoden zur Sensordatenfusion im hochautomatisierten Fahren.

Ziel der Arbeit ist es multimodale Sensordaten (Kamera & LiDAR) zu abstrahieren und durch Transformationen in Repräsentationen zu überführen, welche nicht mehr vom spezifischen Sensormodell und der Frequenz des aufnehmenden Sensors abhängen. Dadurch wird eine größtmögliche Wiederverwendung von einmal annotierten und erzeugten Trainingsdaten ermöglicht. Zu den Aufgaben zählen Anwendung von Methoden des maschinellen Lernens sowie zur Datenverarbeitung und Programmierung in Python und C++.

MA2:
Anwendung künstlicher Intelligenz zur Augmentierung/Veränderung von Bild- und Videodaten

Bild- und Videodaten der hochschuleigenen Forschungskreuzung sollen durch den Einsatz neuronaler Netze verändert werden. Hierbei geht es konkret um die Veränderung des optischen Erscheinungsbildes von Objekten wie Fußgänger und Radfahrer, sowie der Abänderung von Nummernschilder zur Anonymisierung. Es soll eine automatisierte Toolchain zur Verarbeitung der Daten aufgebaut werden. Zu den Aufgaben zählen Anwendung von Methoden des maschinellen Lernens, Sensordatenverarbeitung sowie Programmierung in Python und C++.

MA3:
Datenfusion, Synchronisation und Kooperation eines Multi-Sensordaten-Systems für das hochautomatisierte Fahren

Sensordaten der Forschungskreuzung, sowie des hochschuleigenen Versuchsfahrzeugs sollen intelligent miteinander vernetzt werden, um eine neue Generation von kooperativen Assistenzsystemen für das autonome Fahren zu erforschen. Zu den Aufgaben zählt die intelligente Fusion multipler Sensordaten zur ganzheitlichen Perzeption der Fahrzeugs- und Kreuzungs-Umgebung, sowie die Regelung des Datenaustausches zwischen Infrastruktur und Fahrzeugen. Kenntnisse im Bereich Datenverarbeitung sowie der Programmiersprache C++/Python sind hilfreich.

MA4:
Wissensextraktion 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.

MA5:   
Entwicklung und Evaluation von Perzeptionsalgorithmen 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.

MA6:   
Integration von Flurförderzeugen und Hallen 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 Vortraining 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 Gazeebo (ROS).

MA7:   
Automatisierte Annotation von Points of Interest

Werker Assistenzsysteme können in Industrieprozessen verwendet werden, um Werker zu schulen, aber auch, um Werkern 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, etc. Damit diese robust detektiert werden können, sind vor allem große und diverse Mengen an annotierten Daten notwendig. Dies stellt in der Praxis ein Problem dar, da es zu teuer und damit nicht praktikabel ist, Daten aufzunehmen und manuell zu annotieren. Auf Basis von modernen Deep Learning Methoden sollen sowohl entsprechende Annotationen automatisch erstellt, wie auch diese direkt zur Verbesserung von Detektionsmodellen verwendet werden.

 

Bachelorarbeiten


BA1:    
Bildbasierte Erkennung von Gelenkpunkten/Körperposen an der Forschungskreuzung

Mittels künstlicher Intelligenz sollen bildbasiert Gelenkpunkte/Körperposen von Fußgängern und Radfahren an der Forschungskreuzung erzeugt 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 Modifikation des optischen Erscheinungsbildes von Personen

Bild- und Videodaten der hochschuleigenen Forschungskreuzung sollen durch den Einsatz neuronaler Netze verändert werden. Hierbei geht es konkret um die Veränderung des optischen Erscheinungsbildes von Fußgängern und Radfahrern. Es soll ein State-of-the-Art Ansatz für den Einsatz an der Forschungskreuzung implementiert werden. Zu den Aufgaben zählen Anwendung von Methoden des maschinellen Lernens, Sensordatenverarbeitung sowie Programmierung in Python und C++.

BA3:
Kamera-unabhängige Objekterkennung im urbanen Straßenverkehr

Bei den für das autonome Fahren verwendeten Datensätzen fehlt oft die Vielfalt an verwendeten Kameras, was zu einer sensorpezifischen Verzerrung der darauf trainierten Objekterkennungsmodelle führt. Diese Verzerrung soll ausgewerter werden. Zu den Aufgaben zählt das Trainieren von mehreren Objekterkennungsmodellen in Detectron2 auf verschiedene Datensätze, so wie ein statistischer Vergleich dieser Modelle.

BA4:
Monokulare 3D-Objekterkennung im urbanen Straßenverkehr

Die monokulare 3D-Objekterkennung ist eine wichtige Aufgabe für das autonome Fahren, da sie den Vorteil hat, kostengünstig zu sein. Konkret geht es bei der 3D-Objekterkennung darum mit einer einzelnen Kamera zu bestimmen, welche Proportionen gewisse Objekte haben und wie diese in Relation zur Kamera stehen. Zu den Aufgaben der Arbeit zählt die Implementierung einer 3D-Objekterkennung in Detectron2/Pytorch, basierend auf bestehenden Code und das "Einlernen" der 3D-Objekterkennung auf einen öffentlichen Datensatz.

BA5:
Integration von benutzerdefinierten Fahrzeugmodellen in Carla

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 Gazeebo).

BA6:
Erkennung von Aktivitäten in manuellen Montageprozessen durch Methoden des maschinellen Lernens

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 Gazeebo).

BA7:
Intentionserkennung in einem Echtzeitsystem

Auf Basis einer Personendetektion in einem bestehenden Echtzeitsystem sollen die zukünftigen Positionen ungeschützter Verkehrsteilnehmer an einer Forschungskreuzung vorhergesagt werden. Dazu sollen Methoden des maschinellen Lernens eingesetzt werden. Die Programmierung erfolgt mit der Sprache Python.

 

Studienarbeiten


SA1:
Erzeugung von realistischen 3D Modellen auf Basis von einzelnen Kamerabildern (ab sofort)

SA2:
Visualisierung von Informationen aus einem Werker Assistenzsystem (ab sofort)

SA3:
Kamerabasierte Erkennung von Flurförderzeugen inkl. Aufbereitung von Trainingsdaten (ab sofort)

SA4:
Visualisierung von 3D Objekterkennungen innerhalb der Umfeldwahrnehmung der Aschaffenburger Forschungskreuzung (ab Herbst 2021)

 

 

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.