Autonomes Fahren zählt zu den zentralen Zukunftsfeldern der Mobilität. Damit KI-basierte Fahrfunktionen sicher eingesetzt werden können, muss ein Fahrzeug nicht nur wahrnehmen, was es sieht, sondern auch bewerten, wie sicher es sich dabei ist. Unsicherheiten entstehen entlang der gesamten Wahrnehmungskette – von verrauschten Sensordaten (aleatorisch) bis hin zu unbekannten Objekten (epistemisch) – und müssen zur Laufzeit zuverlässig überwacht werden.
Am IPEK erforschen wir in der Gruppe Automated & Connected Mobility, wie sich Unsicherheiten in der Perzeption modellieren, propagieren und für die Laufzeitabsicherung nutzbar machen lassen. Dazu entwickeln wir ein Modell, das die Unsicherheitspropagation entlang der Wahrnehmungskette abbildet und zur Laufzeit überwacht – und so bewertet, wie belastbar das Umfeldmodell in der jeweiligen Situation ist. Im Rahmen des vom BMWK geförderten Forschungsprojekts CONTROL (https://control-projekt.de/) entwickeln wir gemeinsam mit rund 24 Partnern aus Industrie und Forschung Methoden und Architekturen für sichere, KI-basierte automatisierte Fahrsysteme.
Für den Aufbau unseres Model-in-the-Loop (MiL)-Demonstrators, der unsicherheitsbehaftete KI-Funktionen auf realen Sensordaten erlebbar macht, suchen wir eine engagierte wissenschaftliche Hilfskraft (HiWi).
Deine konkreten Aufgaben gliedern sich nach deinen persönlichen Fähigkeiten & Stärken:
- Training von KI-Modellen (Objektdetektion): Training und Evaluierung von Objektdetektoren auf Kamera- und LiDAR-Daten sowie Aufbereitung der zugehörigen Datensätze.
- Uncertainty Quantification: Implementierung und Vergleich von Verfahren zur Unsicherheitsquantifizierung (z. B. MC-Dropout, Deep Ensembles, Evidential Deep Learning) sowie Kalibrierung der resultierenden Unsicherheitsmaße.
- Aufbau einer Perzeptionspipeline: Integration einer modularen Kette aus Objekterkennung und Sensorfusion zu einem Umfeldmodell sowie Anbindung unseres Monitoring-Modells und der Fusions-Selbstbewertung an diese Kette (Python).
- Perturbationen & Visualisierung: Umsetzung gezielter Störungen (Sensorrauschen, unbekannte Objekte) sowie Entwicklung einer Live-Visualisierung des unsicherheitsannotierten Umfeldmodells für Demonstrationen bei Projekttreffen und Messen.
- Datenauswertung & Dokumentation: Analyse experimenteller und simulativer Daten, Visualisierung der Ergebnisse sowie Mitarbeit an Projektberichten oder wissenschaftlichen Veröffentlichungen.
- Du bist in einem ingenieur-, informatik- oder mathematiknahen Studiengang im Bachelor oder Master eingeschrieben.
- Programmierkenntnisse in Python und PyTorch; Erfahrung im Training tiefer neuronaler Netze. Wünschenswert: GPU-Workflows, ROS/ROS2, Erfahrung mit Punktwolken- oder Bilddaten, Vorkenntnisse in autonomem Fahren.
- Überdurchschnittliche Studienleistungen.
- Du kannst fließend Deutsch und/oder Englisch sprechen und dich auch schriftlich ausdrücken.
- Selbstständige, motivierte Arbeitsweise sowie Freude daran, Forschungsergebnisse sichtbar zu machen.
- Sichtbarkeit: Dein Demonstrator wird im Rahmen von CONTROL vor Partnern aus Industrie und Forschung gezeigt.
- Vergütung: HiWi-Stundensatz nach Tarif des Landes Baden-Württemberg für 20 bis 85 h/Monat.
- Flexibilität: Verbinde Arbeit optimal mit deinem Studium durch flexible Arbeitszeiten vor Ort und remote.
- Praktische Erfahrung: Du gewinnst wertvolle praktische Erfahrung, die nicht nur für deine akademische Entwicklung wichtig ist, sondern auch einen Pluspunkt in deinem Lebenslauf darstellt.
- Forschungskompetenz: Lerne, wie wissenschaftliche Forschung durchgeführt wird. Das kann dir spätestens bei deiner Abschlussarbeit nützlich werden.
- Netzwerkaufbau: Knüpfe Kontakte zu Wissenschaftlern, welche für zukünftige Karrieremöglichkeiten und Empfehlungen wichtig sind.
- Mentoring: Dein Betreuer ist auch dein Mentor und bietet dir wertvolle Ratschläge und Strategien für dein Studium sowie deine wissenschaftliche Weiterentwicklung.
Interesse geweckt? Dann melde dich bei anian.scheibel kit.edu mit deinem aktuellen Notenauszug und Lebenslauf!
Schlagworte: KI, Künstliche Intelligenz, Autonomes Fahren, Sensorfusion, Kamera, LiDAR, Objekterkennung, Object Detection, Uncertainty Quantification, Kalibrierung, Laufzeitüberwachung, Safety Monitoring, Deep Learning, Python, PyTorch, ROS, Visualisierung, Physical AI, Embodied AI, ML, Machine Learning
