[Stellenangebote] Master Thesis AI for Autonomous Driving in Collaboration with Continental AI Lab Berlin

Mi Jun 5 09:28:25 CEST 2024

*English version below

Liebe Studierende,

wir bieten eine Masterarbeit im Bereich der Verhaltensplanung für autonomes Fahren in Zusammenarbeit mit dem Continental AI Lab in Berlin an. Hier hast Du die Möglichkeit, gemeinsam mit Doktoranden und KI-Experten an zukunftsweisenden Technologin für Anwendungen im autonomen Fahren und der Robotik zu arbeiten.

Derzeit haben wir das folgende Masterarbeitsthema zu vergeben. Wenn Du interessiert bist, kannst Du dich gerne formlos bei uns melden.

THEMA:  Occlusion-aware Motion Planner combining Branch MPC with learning-based Predictor

Die Verhaltungsplanung für selbstfahrende Autos und autonome mobile Roboter in Umgebungen mit stark verdeckten Bereichen stellt eine der größten Herausforderungen in der Industrie dar. Diese Verdeckungen werden hauptsächlich durch die physikalischen Grenzen der Sensorelemente verursacht und verringern das Sicherheits- und Leistungsniveau während der Bewegung drastisch. Es gibt zahlreiche praktische Beispiele, in denen eine Verdeckung eine direkte Ursache für einen Verkehrsunfall sein kann. So könnte ein Fußgänger hinter einem Gebäude oder einem geparkten Auto in der Nähe eines Zebrastreifens verdeckt sein, so dass ein autonomes Fahrzeug nicht rechtzeitig reagieren kann.

Ziel dieser Arbeit ist es, einen Planungsalgorithmus zu entwickeln und zu bewerten, der ein sicheres und komfortables Fahrverhalten in diesen Verkehrssituationen gewährleistet. Um dies zu erreichen, sollen zwei Methoden kombiniert werden. Die erste Methode ist die Branch Model Predictive Control, die Unsicherheiten durch den Aufbau von Szenariobäumen berücksichtigt und so die möglichen Entwicklungen verschiedener möglicher Szenarien einbezieht. Der andere zu berücksichtigende Ansatz ist ein lernendes System, der so genannte Scene-Informer, der in der Lage ist, die zukünftige Bewegung beobachteter Agenten vorherzusagen, verdeckte Agenten abzuleiten und ihre Interaktionen zu modellieren. Durch die Integration dieser Ansätze wird der Planer nicht nur die Kollisionsrisiken im Zusammenhang mit Verdeckungen mindern, sondern auch proaktiv neue Informationen über die Szene sammeln.

Mit dieser Thesis sollen folgende Punkte erreicht werden:

  *   Literaturrecherche und Vergleich occlusion-aware Motion Planer
  *   Entwicklung eines Frameworks zur Kombination von Branch Model Predictive Control mit Scene Informer
  *   Definieren einer informationstheoretischen Zielfunktion zur Maximierung der Informationsgewinnung
  *   Evaluation des  Framework auf unseren Simulator
  *   Veröffentlichung eines Paper wünschenswert.

VORAUSSETZUNGEN:

¾      Laufendes M.Sc. Studium der Informatik oder verwandte Gebiete

¾      Erfahrung in Python, Git

¾      Grundlagen in AI,

¾      Grundlagen Model Prädiktiven Regler wünschenswert

    KONTAKTDATEN:
Mohamed-Khalil Bouzidi
Doktorand / AI Researcher
Continental AG/ FU Berlin
       m.bouzidi at fu-berlin.de<mailto:m.bouzidi at fu-berlin.de>

    References:
[1] Scene Informer: Anchor-based Occlusion Inference and Trajectory Prediction in Partially Observable Environments, Lange et al., 2024
[2] Motion Planning under Uncertainty: Integrating Learning-Based Multi-Modal Predictors into Branch Model Predictive Control, Bouzidi et al., 2024
https://www.continental.com/de/presse/pressemitteilungen/20230202-ai-lab-eroeffnung/

***
Dear Students,

We are offering a Master's thesis opportunity in the field of Motion Planning for autonomous driving, in collaboration with the Continental AI Lab in Berlin. Here, you can work alongside PhD candidates and AI experts on cutting-edge technologies for applications in Autonomous Driving and Robotics.
We currently have the following Master’s thesis topic available. If you are interested, please feel free to reach out informally.

TOPIC:  Occlusion-aware Motion Planner combining Branch MPC with learning-based Predictor

Motion planning for self-driving cars and autonomous mobile robots in environments with significantly occluded areas presents one of the key challenges in industry. Those occlusions are mainly caused by the physical limits of the sensor elements, and they drastically reduce levels of safety and performance during motion. There are numerous practical examples in which an occlusion could be a direct cause of a traffic accident. For example, a pedestrian could be occluded behind a building or a parked car near a crosswalk, thus preventing an autonomous car to react in time

The aim of this work is to develop and evaluate a planning algorithm that ensures safe and comfortable driving behavior in these traffic situations. To achieve this, two methods shall be combined. The first method is the Branch Model Predictive Control, which considers uncertainty by building scenario trees, thus taking into account the possible developments of various possible scenarios. The other approach to be considered is a learning-based system the so-called Scene-Informer which is able to predict the future motion of observed agents, infer occluded ones, and model their interactions. By integrating these approaches, the planner will not only mitigate collision risks associated with occlusions but also proactively gather new information about the scene.

This thesis sets out to accomplish the following objectives:

  *   Literature Review and Comparison of occlusion-aware Motion Planer
  *   Developing a Framework to combine Branch Model Predictive Control with Scene Informer
  *   Define an information-theoretic objective function to maximize information gathering
  *   Evaluation of the Framework on our Simulator
  *   Paper publication is desired.

PREREQUISITES:

¾      Pursuing a M.Sc. in computer science or a related field

¾      Experience in Python, Git

¾      Understanding in AI,

¾      Understanding of Model Predictive Control desired

    CONTACT INFORMATION:
Mohamed-Khalil Bouzidi
PhD-Student / AI Researcher
Continental AG/ FU Berlin
       m.bouzidi at fu-berlin.de<mailto:m.bouzidi at fu-berlin.de>

    References:
[1] Scene Informer: Anchor-based Occlusion Inference and Trajectory Prediction in Partially Observable Environments, Lange et al., 2024
[2] Motion Planning under Uncertainty: Integrating Learning-Based Multi-Modal Predictors into Branch Model Predictive Control, Bouzidi et al., 2024
https://www.continental.com/de/presse/pressemitteilungen/20230202-ai-lab-eroeffnung/

Best regards / Mit freundlichen Grüßen

Mohamed-Khalil Bouzidi
Doctoral Candidate/ AI Researcher
AI and Data Engineering (AI) /
Research and Advanced Engineering (RAE)
Software and Central Technologies (SCT)

Adresse/Address:
Continental AI Lab at AI Campus, Max-Urich-Str. 3, 13355 Berlin

Rechnungsanschrift/Billing address:
co-pace GmbH, Guerickestr. 7, 60488 Frankfurt am Main, Germany
E-Mail: mohamed-khalil.bouzidi at continental-corporation.com<mailto:mohamed-khalil.bouzidi at continental-corporation.com>

<$$014!>

https://www.continental.com
________________________________________________________________________

Continental Automotive GmbH, Vahrenwalder Str. 9, D-30165 Hannover
Vorsitzender des Aufsichtsrats/Chairman of the Supervisory Board: Gilles Mabire
Geschaeftsfuehrer/Managing Director: Cornelia Stiewing, Harald Stuhlmann
Sitz der Gesellschaft/Registered Office: Hannover
Registergericht/Registered Court: Amtsgericht Hannover, HRB 59424
USt.-ID-Nr./VAT-ID-No. DE814950663

______________________________________________________________________

Proprietary and confidential. Distribution only by express authority of Continental AG or its subsidiaries.

Internal