Jasmin Breitenstein, M.Sc.

Corner Case Detektion für die visuelle Wahrnehmung im autonomen Fahren

Art der studentischen Arbeit: Bachelorarbeit, Masterarbeit, Studienarbeit

Betreuer: Jasmin Breitenstein

Abteilung: Signalverarbeitung und Machine Learning

Für die visuelle Wahrnehmung im autonomen Fahren werden immer häufiger Methoden verwendet, die aus neuronalen Netzen bestehen. So werden zum Beispiel Objekte detektiert, oder die Bilder der Fahrzeugkamera segmentiert. Für diese Aufgaben existieren zahlreiche große Datensätze, die aus Aufnahmen des normalen Straßenverkehrs bestehen.
Während die Ergebnisse visueller Wahrnehmungsmethoden auf diesen Datensätzen immer bessere Ergebnisse erzielen, treten zunehmend andere Aspekte in den Vordergrund der Forschung. Insbesondere relevant für die Sicherheit im autonomen Fahren ist das zuverlässige und robuste Erkennen sogenannter Corner Cases. Unter dem Begriff Corner Case fässt man in der Regel alle unvorhergesehenen Vorkommnisse zusammen, die im Straßenverkehr auftauchen können und im schlimmsten Fall eine Gefahr für alle Verkehrsbeteiligten darstellen.
Sie können eine Vielzahl von Situationen umfassen, beginnend mit wahrgenommen Fehlern in den Daten, wie z.B. Überbelichtung, bis hin zu Szenarien, die einen gesamten Zeitraum umfassen, wie z.B. ein Kind, das von hinter einer Okklusion auf die Straße rennt.

In dieser Abschlussarbeit soll an einer verbesserten Detektion von Corner Cases gearbeitet werden. In der Arbeitsgruppe existieren bereits verschiedene Methoden für die visuelle Perzeption, z.B. semantische Segmentierung und Instanzsegmentierung, die der Methode zugrunde gelegt werden.

Voraussetzungen für diese Arbeit sind gute Programmierkenntnisse in Python und ein erfolgreicher Besuch der Vorlesung Mustererkennung. Wünschenswert, aber nicht notwendig sind erste Erfahrungen im Bereich Deep Learning und mit dem Deep Learning Framework Pytorch.