Regelbasierte Identifizierung und Bewertung kritischer Szenarien für menschliches Fahrverhalten

Motivation

Um die Einführung der Technologie des automatisierten Fahrens zu beschleunigen, setzen Forschungsinstitute und Automobilhersteller derzeit verstärkt auf szenariobasierte Testmethoden. Im Vergleich zu herkömmlichen Testmethoden bietet das szenariobasierte Testen erhebliche Vorteile in Bezug auf Zeit, Kosten und Sicherheit. Bei dieser Art von Tests stehen die Identifizierung und Bewertung von kritischen Szenarien im Mittelpunkt der Forschung. Gängige Metriken zur Szenariobewertung basieren hauptsächlich auf Zeit- und Entfernungsparametern, während die Einhaltung von Verkehrsregeln oft vernachlässigt wird. Daher ist eine systematische Untersuchung von regelbasierten Erkennungsmethoden und Bewertungsalgorithmen von kritischen Szenarien dringend erforderlich.

Aufgaben

• Literaturrecherche zur regelbasierten Identifizierung und Bewertung kritischer Szenarien
• Klassifizierung, Vergleich und Bewertung der bestehenden Ansätze
• Entwicklung einer zusammengesetzten Metrik für das Fahrverhalten
• Anwendung dieser Metrik auf einen bestehenden Datensatz, z. B. den Argoverse-Datensatz oder den Interaction-Datensatz

Profil

• Studium der Ingenieurwissenschaften
• Gute Kenntnisse in Python
• Eigenständige, strukturierte und methodische Arbeitsweise
• Interesse an Fahrverhalten und Verkehrsregeln

Haben wir Ihr Interesse geweckt? Dann senden Sie bitte eine aussagekräftige Bewerbung an: xuanheng.liu∂kit.edu