Angewandte Technisch-Kognitive Systeme

Prof. Dr. J. Marius Zöllner

Sekretariat:

Beschreibung

Im Fokus der Forschung stehen Technologien der angewandten maschinellen Intelligenz. Basierend auf der Erforschung von Grundlagen sollen neue technische Systeme wie autonome Fahrzeuge, autonome Serviceroboter, oder Assistenzsysteme mit kognitiven Fähigkeiten realisiert werden. Die Anwendung dieser so genannten technisch-kognitiven Systeme findet primär im Kontext der hochautomatisierten, effizienten und intermodalen Mobilität, der vernetzten automatisierten Produktion und Logistik sowie der interaktiven Unterstützung des Benutzers in Alltagssituationen statt.

Adressierte Grundlagen der maschinellen Intelligenz sind vornehmlich die maschinelle Wahrnehmung sowie das Situationsverstehen und die Verhaltensentscheidung. Methoden des maschinellen Lernens und der probabilistischen Inferenz werden dabei für alle Komponenten erforscht und angewandt. Verfahren der Systemevaluierung und Validierung bilden einen zusätzlichen Schwerpunkt im Rahmen der angewandten Forschung. Autonome Fahrzeuge wie CoCar NextGen, CoCar, und CoCar-Zero, autonome Shuttles wie Anna und Ella, mobile Roboter, wie der Assistenzroboter Hollie, die Lauron Laufmaschinen oder der Inspektionsroboter Kairo bilden dabei wertvolle Integrations- und Evaluierungsplattformen für die angewandte Forschung. Sie werden in enger Kooperation mit dem FZI weiterentwickelt und für die gemeinsame Forschung und Lehre genutzt.

CoCar NextGen auf IEEE ITSC 2023

Auf der 2023 International Conference on Intelligent Transportation Systems haben wir unser neuestes vernetztes und autonomes Forschungsfahrzeug vorgestellt: CoCar NextGen.

Basierend auf einer Audi A6 Plattform ist das Fahrzeug mit der neuesten Sensor- und Rechentechnologie ausgestattet, um unsere autonome Fahrsoftware zu unterstützen. CoCar NextGen wird unsere Forschung im Bereich des vernetzten und autonomen Fahrens durch Messungen und Testfahrten in realen Situationen erleichtern.

Das Fahrzeug verfügt über neun Kameras, zwölf LiDAR-Sensoren, drei Radarsensoren und ein verbessertes GPS-System. Unsere Software für das autonome Fahren wird von einem integrierten Hochleistungsserver betrieben, der durch mehrere Grafikprozessoren ergänzt wurde, um unsere KI-Komponenten zu verbessern.
Für die Kommunikation mit anderen Fahrzeugen und intelligenter Infrastruktur, wie unserem Testfeld Autonomes Fahren in Karlsruhe, besitzt CoCar NextGen moderne Vehicle-to-Everything (V2X) Module.

Darüber hinaus haben wir auf der ITSC 2023 acht Paper vorgestellt, um unser Engagement für die Weiterentwicklung von autonomen und vernetzten Fahrsystemen zu unterstreichen.
Wenn auch Sie daran interessiert sind, einen Beitrag zu unseren Forschungsbemühungen im Zusammenhang mit CoCar NextGen oder unserem Portfolio von autonomen, vernetzten Fahrzeugen und intelligenter Infrastruktur zu leisten, laden wir Sie ein, sich bezüglich Hiwi-, Bachelor- und Master-Arbeiten bei uns melden.

CoCar NextGen during Testdrive © Sven Ochs, FZI Forschungszentrum Informatik

Offene Abschlussarbeiten und HiWi-Stellen

Forschungsbereich	Themen
Perception	Traffic Light Detection with Deep Neural Networks for Autonomous Driving Aerial Image Segmentation with Deep Neural Networks for Autonomous Driving Anomaly Detection for Autonomous Driving Generative World Models for Future Predictions Deep Learning based 3D Environment Perception for Autonomous Vehicles Sensor-setup agnostic Machine Learning Perception for Autonomous Vehicles Robust, Interpretable and Energy-Efficient Deep Learning for Camera-based Perception Sensorfusion for Connected Autonomous Driving Intelligent Roadside Infrastructure for Connected Autonomous Driving Recognition of Sensor Data Discrepancies in Autonomous Vehicles and Smart Infrastructure Perception with Intelligent Traffic Infrastructure Object Detection with Uncertainty to Tackle Shifted and Out-Of-Distribution Data
Prediction	Predicting the Behavior of Traffic Participants with Deep Neural Networks Behavior and Motion Prediction of Traffic Participants for Safe Trajectory Planning Probabilistic Decision Making and Scene Interpretation A priori VRU Behavior Prediction using Traffic Infrastructure for Autonomous Driving Trajectory forecasting under road topology and vehicle constraints
UX	Automated Capture of User Experience in Autonomous Vehicles
Maps	Automated Generation and Maintenance of Probabilistic HD-Maps Aerial Image Segmentation with Deep Neural Networks for Autonomous Driving Semantic LiDAR-Localization and Validation through GPS and Odometrie
Planning	Cooperative Trajectory Planning under Uncertainties Probabilistic Decision Making and Scene Interpretation
Safety and Security	Misbehavior Detection and Optimization of Driving Components for Robustness Improvement Evaluating Metrics for Performance Assessment in Autonomous Driving Adversarial Attacks on Deep Learning Models Condition Monitoring for Robust and Safe Autonomous Systems
Vehicle-to-Everything (V2X/Car2X)	Vehicle-to-everything (V2X) for Distributed Simulations on Proving Grounds and Test Areas for Autonomous Driving Interactive Machine Learning for Remote Assisted Autonomous Vehicles Remote Operation in Autonomous Driving
Simulation	Distributed Virtual Reality (VR) and Simulation Frameworks for Validation and Verification of Autonomous Vehicles Simulation of Autonomous Driving and Behaviour Modelling of Vulnerable Road Users Rare and challenging scenarios in simulation
Reinforcement Learning	Distributional and Model-Based Reinforcement Learning Efficient Unsupervised Reinforcement Learning End-to-End autonomous driving using Reinforcement Learning Generally Capable Autonomous Agents from Web-Scale Video Data
Other Topics in Autonomous Driving	Postprocessing of Trajectory Tracking Vehicle Hardware and Sensor Setups for Autonomous Vehicles