Aktuelle am IfN ausgeschriebene studentische Arbeiten finden sind in der folgenden Tabelle. Weitere Informationen zu den studentischen Arbeiten sind auf der jeweiligen Seite des Betreuers zu finden.
Titel der studentischen Arbeit | Betreuer | Art der Arbeit |
---|---|---|
DNN-gestützte akustische Stereokanal-Echokompensation | Ernst Seidel | Masterarbeit |
Efficient Acoustic Echo Cancellation via Teacher-Student-Learning | Ernst Seidel | Masterarbeit |
Effizientes Training von LLMs mittels Verrauschter Daten | Julian Miguel Kabus | Masterarbeit |
End-to-End audiovisuelle Spracherkennung | Zhengyang Li | Masterarbeit |
Erweiterung eines Beamtracking Verfahrens mittels Bewegungsprädiktion | Tobias Doeker | Bachelorarbeit, Masterarbeit |
Gute Latente Räume für Few-Shot Learning | Julian Miguel Kabus | Masterarbeit |
High-Fidelity Speech Coding with Neural Networks | Renzheng Shi | Andreas Baer | Masterarbeit |
Implementierung und Bewertung von geometriebasierten stochastischen Kanalmodellen unter Verwendung von QuaDRiGa. | Ahmad Hamada | Masterarbeit |
Learned speech and audio coding with variable bitrate | Renzheng Shi | Masterarbeit |
Niedrig-latente tiefe adaptive Filter | Ernst Seidel | Masterarbeit |
Nutzergesteuerte maschinengelernte akustische Echokompensation | Ernst Seidel | Masterarbeit |
Untersuchung von Methoden zur Bekämpfung von Intersymbolinterferenz | Christoph Herold | Bachelorarbeit, Masterarbeit |
Untersuchung von OFDM in der sub-THz Kommunikation | Steffen Pahlke | Bachelorarbeit, Masterarbeit |
Vergleich von Link Level Simulatoren | Steffen Pahlke | Bachelorarbeit, Masterarbeit |
Im Video weiter unten zeigen wir das ein Beispiel einer unserer studentischen Abschlussarbeiten, die in Zusammenarbeit mit dem Lions Racing Team der TU Braunschweig durchgeführt wurde.
Bei der Formula Student wird es in Zukunft nicht nur Herausforderungen geben, die von einem Fahrer oder einer Fahrerin bestritten werden müssen, sondern auch solche, die autonom bewältigt werden müssen. Dafür ist es nötig, das Fahrzeug entsprechend zu "trainieren". Die Hütchen, die den Streckenverlauf markieren, müssen genau erkannt werden: blaue und gelbe Hütchen markieren die rechte und linke Streckenbegrenzung, kleine orangene Hütchen die Bremszonen und Große die Start- und Ziellinie. Für die Identifizierung der Hütchen wird ein neuronales Faltungsnetzwerk verwendet. DeS Netzwerk wurde auf ImageNet (ein Datensatz zur Bildklassifikation) vortrainiert und anschließend auf einem 24.000 Bilder umfassenden Datensatz von Verkehrshütchen angepasst. Ohne Optimierungen erreicht das Netzwerk in etwa eine Frequenz von 40Hz. In dem Video ist das trainierte Netzwerk zu sehen, wie es die Streckenmarkierungen bei ungefähr 40 Bildern pro Sekunde erkennt.