Uncertainty Propagation in der Perzeptionskette Automatisierter Fahrzeuge

Forschungsthema/Bereich

Automatisiertes Fahren, Uncertainty Propagation, Safety in Autonomous Driving

Typ der Abschlussarbeit

Bachelor / Master

Startzeitpunkt

-

Bewerbungsschluss

31.12.2025

Dauer der Arbeit

Nach Studienordnung

Beschreibung

Die Perzeption autonomer Fahrzeuge beruht auf einer Vielzahl von Sensoren (Kameras, LiDAR, Radar) und KI-Algorithmen zur Objekterkennung, Klassifikation und Bewegungsvorhersage. Diese Systeme sind jedoch nicht perfekt - es entstehen Unsicherheiten durch Rauschen, schlechte Sicht, begrenzte Trainingsdaten oder Modellfehler. 2016 kollidierte beispielsweise ein Tesla mit einem liegengebliebenen Lkw, weil das System die weiße Plane des Anhängers mit dem hellen Himmel verwechselte. Hätte das Fahrzeug seine eigene Unsicherheit einschätzen können, wäre der Unfall womöglich vermeidbar gewesen [1].

Damit autonome Fahrzeuge nicht nur sicher, sondern vor allem auch zulassungsfähig sind, muss bekannt sein, wie sich Unsicherheiten innerhalb der Perzeptionskette fortpflanzen (Uncertainty Propagation) und wie sie quantifiziert werden können, um robuste Entscheidungen zu ermöglichen.

Aufgaben:

Ziel dieser Arbeit ist ein strukturierter Literaturreview zu Ansätzen der Unsicherheitsmodellierung und -propagation in der Perzeption autonomer Fahrzeuge.

Konkret umfasst die Arbeit:

- Systematische Suche und Auswahl relevanter wissenschaftlicher Arbeiten
- Kategorisierung von Unsicherheiten (z. B. epistemisch vs. aleatorisch) in Perzeptionssystemen
- Analyse bestehender Methoden zur Unsicherheitsquantifizierung
- Vergleich von Ansätzen zur Propagation dieser Unsicherheiten durch die gesamte Perzeptionspipeline
- Diskussion, wie diese Unsicherheiten in die Sicherheitsargumentation integriert werden können

Die Ergebnisse fließen direkt in aktuelle Forschungsarbeiten zur Unsicherheitsmodellierung für Safety-Argumentationen und Zulassungsprozesse ein.

Beginn: Ab sofort

Interesse geweckt? Dann melde dich bei anian.scheibel∂kit.edu mit deinem aktuellen Notenauszug und Lebenslauf!

[1] A. Kendall und Y. Gal, „What Uncertainties Do We Need in Bayesian Deep Learning for Computer Vision?“, 5. Oktober 2017, arXiv: arXiv:1703.04977. doi: 10.48550/arXiv.1703.04977

Voraussetzung

Voraussetzungen an Studierende

• Momentanes Studium im Maschinenbau, Mechatronik, Wirtschaftsingenieurswesen oder ähnliches
• Grundkenntnisse in Sensorik, maschinellem Lernen oder Statistik von Vorteil
• Interesse an autonomem Fahren und probabilistischen Methoden
• Analytisches Denken und Fähigkeit, komplexe Inhalte strukturiert darzustellen
• Gute Englischkenntnisse (Fachliteratur ist überwiegend auf Englisch)

Studiengangsbereiche

• Ingenieurwissenschaften
  Maschinenbau
  Sonstige Studienbereiche
  Mechanical Engineering
• Wirtschafts- und Rechtswissenschaften
  Wirtschaftsinformatik
  Wirtschaftsingenieurwesen
  Sonstige Studienbereiche

Betreuung

Titel, Vorname, Name

Anian Scheibel

Organisationseinheit

IPEK-Institut für Produktentwicklung

E-Mail Adresse

anian.scheibel@kit.edu

Link zur eigenen Homepage/Personenseite

Website

Bewerbung per E-Mail

Bewerbungsunterlagen

• Lebenslauf
• Notenauszug

E-Mail Adresse für die Bewerbung
Senden Sie die oben genannten Bewerbungsunterlagen bitte per Mail an anian.scheibel@kit.edu


Zurück