| Titel | BA | SA | MA | HW | exp | the | kon | Eintrag |
|---|---|---|---|---|---|---|---|---|
| Motion Prediction informed 3D Object Tracking for Autonomous Driving | 2024-11-12 | |||||||
| Machine Learning-Based Object Tracking for Autonomous Vehicles | 2024-11-05 |
Loïc Stratil, M.Sc.
| loic.stratil(at)tum.de | |
| Raum | MW 3508 |
| Telefon | +49.89.289.15898 |
| Fax | +49.89.289.15357 |
Forschung
Die Technologie des autonomen Fahrens (AD) schreitet in ihrer Entwicklung rasch voran. Für eine sichere Nutzung auf dem offenen Markt muss jedoch die zugehörige Software eine hohe Zuverlässigkeit gewährleisten – insbesondere in Hinblick darauf, wie das Fahrzeug seine Umgebung sowohl im aktuellen Moment als auch mit Blick auf zukünftige Veränderungen wahrnimmt. Traditionell basiert die Perzeption im AD-Bereich auf sequentiellen Modulen, der Detektion – Tracking – Prädiktion (DTP). Neuere Forschungsergebnisse zeigen jedoch, dass Systeme leistungsfähiger werden können, wenn diese Module dynamisch Informationen austauschen, anstatt isoliert, sequentiell zu arbeiten. Solche integrierten Ansätze sind entscheidend, um die Akkuranz und Robustheit zu erreichen, die für reale Fahrsituationen erforderlich sind.
Meine Forschung konzentriert sich daher auf die Entwicklung von DTP-Architekturen, die das Umfeld des Fahrzeugs in physischer und semantischer Hinsicht tiefgreifend erfassen können. Diese umfassende Kontextkenntnis ermöglicht genauere Prädiktionen der langfristigen Bewegungsmuster anderer Verkehrsteilnehmer. Ich untersuche sowohl sequentielle Methoden des Informationsaustauschs als auch End-to-End-Architekturen, um die Anpassungsfähigkeit und Präzision von Perzeptionssystemen für den autonomen Fahrbetrieb in realen Anwendungen zu maximieren.
Schlüsselwörter: Perzeption 2.0, Detektion – Tracking – Prädiktion, End-to-End Perzeption, Szenenverständnis, Deep Learning, EDGAR