Uncertainty Propagation in der Perzeptionskette Automatisierter Fahrzeuge

Research topic/area

Automatisiertes Fahren, Uncertainty Propagation, Safety in Autonomous Driving

Type of thesis

Bachelor / Master

Start time

-

Application deadline

31.12.2025

Duration of the thesis

Nach Studienordnung

Description

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

Requirement

Requirements for students

• 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)

Faculty departments

• Engineering sciences
  Mechanical engineering
  Other fields of study
  Mechanical Engineering
• Economic & law sciences
  Information Engineering
  Business management
  Other fields of study

Supervision

Title, first name, last name

Anian Scheibel

Organizational unit

IPEK-Institut für Produktentwicklung

Email address

anian.scheibel@kit.edu

Link to personal homepage/personal page

Website

Application via email

Application documents

• Curriculum vitae
• Grade transcript

E-Mail Address for application
Senden Sie die oben genannten Bewerbungsunterlagen bitte per Mail an anian.scheibel@kit.edu


Back