Zu vergebende Masterarbeiten

Die Arbeit zielt darauf ab, ein interaktives Front-End-Tool zu entwickeln, das Verkehrsmaßnahmen effizient visualisieren kann. Im Kern des Tools steht ein Graph Neural Network (GNN)-basiertes Surrogatmodell, das schnelle Simulationen ermöglicht. Ziel ist es, Entscheidern und Bürgern eine intuitive Plattform bereitzustellen, mit der sie verschiedene Verkehrsmaßnahmen in unterschiedlichen Stadtbereichen und Ausmaßen testen können. Die Auswirkungen der Maßnahmen sollen präzise und visuell ansprechend dargestellt werden. Die Aufgaben umfassen die Auswahl eines geeigneten Frameworks (z. B. React, Dash oder Streamlit), die nahtlose Integration des Surrogatmodells und die Entwicklung benutzerfreundlicher Visualisierungen. Das Tool soll einsatzbereit für den praktischen Gebrauch entwickelt werden. Gute Programmierkenntnisse sind eine Voraussetzung für die Arbeit.

Die Arbeit untersucht, wie Transfer Learning genutzt werden kann, um ein Graph Neural Network-basiertes Surrogatmodell für die Evaluation von Verkehrsmaßnahmen in einer Stadt auf andere Städte zu übertragen. Basierend auf Simulationsdaten mehrerer Städte sollen verschiedene Transfer-Learning-Techniken wie Feintuning, Domain-Adaption und Multi-Task Learning angewendet und verglichen werden. Ein besonderer Fokus liegt auf Graph-Level Transfer, bei dem Muster zwischen Städten durch die Übertragung von Graph-Embeddings oder Subgraph-Strukturen erkannt und genutzt werden. Ziel ist es, Modelle zu entwickeln, die generalisierbare städtische Muster lernen, robuste Vorhersagen für neue Städte ermöglichen und dabei Datenheterogenität berücksichtigen. Die Ergebnisse werden anhand simulierter Daten validiert. Gute Programmierkenntnisse sind eine Voraussetzung für die Arbeit.

Diese Arbeit beschäftigt sich mit der Erkennung der Intention von extra vulnerablen Verkehrsteilnehmern (eVRU), insbesondere Rollstuhlfahrern. Die Analyse basiert auf Kamera- und Lidar-Daten und nutzt sowohl konventionelle Algorithmen als auch Deep Learning-Ansätze.

Diese Arbeit beschäftigt sich mit der Erkennung der Intention von vulnerablen Verkehrsteilnehmern (VRU), insbesondere Fußgängern und Radfahrern. Die Analyse basiert auf Kamera- und Lidar-Daten und nutzt sowohl konventionelle Algorithmen als auch Deep Learning-Ansätze.

Im Fahrradsimulator lassen sich die Wahl des gefahrenen Pfades und die Geschwindigkeit entkoppeln. Wir untersuchen in dieser Studie den gefahrerenen Pfad und Fokuspunkte in Fahrsimualtorstudien, um diese für die mikroskopische Modellierung von Fahrradfahrern zu verwenden.

Das Ziel der Abschlussarbeit ist es, das Routing einer Fahrzeugflotte (mit großen Batterien) zu untersuchen, die andere On-Demand-Ride-Hailing- oder Ride-Pooling-Fahrzeuge (mit kleineren Batterien) aufladen kann. Die Arbeit wird zunächst die verfügbaren Methoden für das Routing von On-Demand-Ladefahrzeugen erforschen, ein neues Routing-Schema entwickeln und dann ihre Effizienz in einem agentenbasierten Simulationsframework namens FleetPy bewerten.

Das Ziel der Abschlussarbeit ist es, das Routing einer Fahrzeugflotte (mit großen Batterien) zu untersuchen, die andere private Elektrofahrzeuge (mit kleineren Batterien) aufladen kann. Die Arbeit wird zunächst die verfügbaren Methoden für das Routing von On-Demand-Ladefahrzeugen erforschen, ein neues Routing-Schema entwickeln und dann ihre Effizienz in einem agentenbasierten Simulationsframework namens FleetPy bewerten.

Bei automatisierten Ride-Pooling Diensten werden Tripanfragen dynamisch von einem zentralen Optimierer verarbeitet, um den Flottenfahrzeugen neue Routen zuzuweisen und Kundenanfragen zu bedienen. Sobald ein Fahrzeug die Route beendet hat besteht allerdings die Frage, wo es auf neue Zuweisungen warten sollte. Dabei sind verschiedene Strategien denkbar: Die Suche nach dem nächsten Parkplatz, oder eine Rückkehr ins Depot. Ziel der Arbeit ist es verschiedene Strategien auszuarbeiten und in einer Simulation zu implementieren und auszuwerten. Innerhalb der Arbeit sollen die Strategien in ein am Lehrstuhl entwickeltes Framework aus FleetPy und SUMO implementiert werden und auf operationelle und verkehrliche Auswirkungen ausgewertet werden.

Der Betrieb einer Ride-Pooling Flotte ist wegen einer hohen Dynamik und ungewissen Eingangsparametern sehr anspruchsvoll. Basierend auf Nachfrageschätzungen können Betreiber ihre (ungenutzten) Fahrzeuge repositionieren, um für die zukünftigen Situationen besser gewappnet zu sein. Da die Benefits dieser Entscheidungen sich erst über die Zeit entwickeln, ist es schwierig sinnvolle Zielfunktionen zu entwickeln. Daher können hier Methoden des Machine-Learnings (z.B. zur Schätzung von Funktionen oder Reinforcement Learning) ins Spiel kommen. Mit FleetPy steht ein Simulator zur Verfügung, der in dieser Arbeit erweitert werden soll.

Diese Arbeit soll untersuchen, wie sich intermodalen Transfers zwischen dem linienbasierten ÖV und einem Ridepooling-Dienst auf die Performance der Ridepooling Flotte auswirken. Dabei sollen Service-Design Parameter, Netzwerkstrukturen und Nachfragemuster variiert werden. FleetPy can bei als Basis zur Modellierung des Ridepooling-Dienstes verwendet werden und kann durch eine kleine durchzuführende Erweiterung auch für First/Last Mile genutzt zu werden.

Bei Ride-Pooling-Services buchen Kunden eine Fahrt per App beim Anbieter wobei die Trips dynamisch in die Routenplanung Flottenfahrzeugen integriert werden. Durch unangekündigtes Nicht-Antreten einer Fahrt können dabei Kosten für den Betreiber als auch anderen Kunden entstehen. Ziel dieser Arbeit ist es nach einer Literaturrecherche das Nicht-Antreten von Fahrten in die vorhandene Simulationsumgebung „FleetPy“ zu integrieren und die Auswirkungen auf das Gesamtsystem zu simulieren.

Forschungsfrage: Welcher Map-Matching-Algorithmus ist geeignet, um den Trade-Off zwischen Genauigkeit und Rechenzeit zu minimieren? Anhand des Vergleichs verschiedener Map-Matching-Algorithmen soll der Student den Trade-Off zwischen der Genauigkeit und Rechenzeit von GPS-Trajektorien auf Netzgraphen für den dynamischen und statischen Anwendungsfall innerhalb einer angemessenen Rechenzeit auswerten.

Die Arbeit beschäftigt sich mit der Integration der Navigation eines autonomen Fahrzeugs durch Baustellen im urbanen Raum in bestehende Bahnplanungsalgorithmen. Der Fokus liegt auf der Anpassung für eine sichere Durchfahrt. Die Auswertung des angepassten Planungsverhaltens wird im Simulator durchgeführt und bewertet.

Die Masterarbeit fokussiert sich auf die Integration von dynamischen Stops in die Routenplanung automatisierter Shuttle-Busse. Ziel ist die effiziente Anpassung bestehender Planungssysteme für städtische Verkehrsnetze. Die Auswertung des Planungsverhaltens wird im Simulator durchgeführt und bewertet, als ein zentraler Teil der Arbeit.

Diese Masterarbeit untersucht die Gesichtsemotionserkennung mittels Convolutional Neural Networks, mit dem Ziel, die Mensch-Computer-Interaktion durch genaue Identifizierung menschlicher Emotionen aus Gesichtsausdrücken zu verbessern.

Dieses Projekt konzentriert sich auf die Integration einer E-Scooter-Simulation in Unity- und VR-Umgebungen unter Verwendung eines echten Elektrorollers, um immersive und realistische Nutzererfahrungen zu bieten. Ziel ist es, die Lücke zwischen virtuellen Simulationen und realen Scooter-Manövern zu schließen und damit Ausbildungs- und Unterhaltungsanwendungen zu verbessern

In vielen Sportgroßveranstaltungen wie Skimarathons taucht wegen Engpässen und einer zu hohen Nachfrage Stau auf, ähnlich wie beim Straßenverkehr. Ziel dieser Arbeit ist es, offizielle Zwischenzeiten als Detektordaten und GPS-Trackdaten als sogenannte „Floating Car Data“ zu verwenden, um eine gründliche Analyse der Stauentwicklung in ein paar solchen Skimarathons durchzuführen.

Die akkurate Schätzung von Rückstaulängen an Lichtsignalanlagen ist ein kritischer Punkt um die Steuerung effizient anzupassen. Ein bestehendes KI-Verfahren, beruhend auf Drohnendaten, soll im Rahmen dieser Arbeit geprüft und weiterentwickelt werden. Der bestehende Code, sowie Ansätze zur Verbesserung werden vom Mentor bereitgestellt.

Diese Arbeit verwendet KI-Techniken, um Verkehrssicherheitsregeln aus menschlicher Sprache in maschinenlesbare Formate zu übersetzen und so das Verständnis und die Einhaltung durch autonome Fahrzeuge zu verbessern. Mithilfe von Natural Language Processing (NLP) und formallogischen Modellen soll die Lücke zwischen menschlichen Vorschriften und maschineller Interpretation geschlossen werden. Ziel ist es, dass autonome Systeme komplexe Verkehrsregeln präzise einhalten und sich regelkonform verhalten, was zu sichereren und zuverlässigeren Verkehrssystemen beiträgt.

In dieser Arbeit wird das menschliche Fahrerverhalten in Kreisverkehren anhand einer Auswertung von Trajektorien von mehreren Standorten untersucht. Zur Erkennung von Mustern ist dabei zuerst eine Datenanalyse durchzuführen und später maschinelles Lernen einsetzen, womit das Fahrverhalten klassifiziert werden kann. Basierend darauf soll ein Modell zur Vorhersage von geplanten Fahrmanövern entwickelt werden.

Methoden Künstlicher Intelligenz treiben aktuell die Entwicklung von automatisiertem Fahren voran. In dieser Arbeit soll ein Blick darauf geworfen werden, wie mit Hilfe von Künstlicher Intelligenz Interaktionen von automatisierten Fahrzeugen (und optional weiteren Verkehrsteilnehmenden) optimiert werden können. Bestehende Konventionen wie "Rechts-vor-Links" oder feste Fahrstreifenzuweisung dürfen hinterfragt werden.

Ähnlich wie beim fahrstreifengebundenen Verkehr, bei dem die Fahrzeuge vor einem Knotenpunkt die richtige Fahrspur wählen, soll ein Fahrzeug auch im automatisierten fahrstreifenfreien Verkehr seine laterale Position vor Erreichen einer Kreuzung in Abhängigkeit von seinem Abbiegewunsch wählen. In dieser Arbeit werden optimale Ansätze für die Wahl der lateralen Position von Fahrzeugen an urbanen signalisierten Knotenpunkten entwickelt.

Fahrstreifenfreier Verkehr ermöglicht es automatisierten und vernetzen Fahrzeugen, sich flexibel über die gesamte Verkehrsfläche zu bewegen. Dies erlaubt den heutigen Verkehrsablauf neu zu gestalten. Die entwickelten Ideen können in einer selbst entwickelten vereinfachten Simulationsumgebung (z.B. Cellular Automata) evaluiert werden.

Mit der Einführung von vernetzten autonomen Fahrzeugen (Connected Autonomous Vehicles, CAVs) wächst das Interesse an spurlosem Verkehr (LFT), bei dem CAVs ohne geregelte Fahrspuren fahren. Die Bewegung von CAVs im LFT wird durch Kontrollalgorithmen gesteuert, die ihre Bewegungen koordinieren. Die Leistung dieser Steuerung kann jedoch durch die Anwesenheit von menschlichen Fahrern stark beeinträchtigt werden. Daher wird in dieser Arbeit eine Steuerungsstrategie für CAVs entwickelt, die in der Lage ist, mit gemischtem Verkehr umzugehen, bei dem sich Menschen und CAVs die gleiche Straße teilen, ohne die Leistung der CAVs in LFT zu beeinträchtigen. Die Simulation wird in einem angepassten SUMO für LFT durchgeführt und erfordert einige grundlegende Programmierkenntnisse in C++.

Die openPASS-Plattform wurde kürzlich von der BMW Group entwickelt, um szenariobasierte Verkehrssimulationen durchzuführen. Im Vergleich zu anderen Standard-Verkehrssimulatoren sind in openPASS fortschrittliche Fahrerassistenz- und automatisierte Fahrzeugsysteme integriert, was eine erweiterte Simulation von fahrzeugbasierten Szenarien ermöglicht. Ziel dieser Arbeit ist es, zu verstehen, wie openPASS funktioniert, welche Möglichkeiten es bietet und wie man Verkehrssimulationen für Autobahn-, Landstraßen- und städtische Szenarien entwickelt.

In dieser Arbeit sollen verschiedene Ansätze von Causal Inference genutzt und evaluiert werden, um die Auswirkungen von Maßnahmen im Verkehrsbereich zu bewerten. Ziel ist es, eine theoretische Grundlage zu bilden, um zu begründen, welche kausalen Effekte spezifische Interventionen, wie z. B. die Einführung neuer Verkehrsmittel oder Änderungen der Infrastruktur, auf wichtige Verkehrsergebnisse haben. Die Anwendung soll auf einem Graph Neural Network (GNN)-basiertes Surrogatmodell erstellt werden.

Diese Arbeit untersucht die Implementierung eines bidirektionalen Kreisverkehrs in SUMO mit adaptiven Fahrspurkonfigurationen für die beiden Richtungen basierend auf der Echtzeit-Verkehrsnachfrage. Der*die Studierende wird ein dynamisches System zur Fahrspurzuweisung entwickeln, seine Parameter feinabstimmen und sein Potenzial für verschiedene Kreisverkehrskonfigurationen analysieren.