Zu vergebende Masterarbeiten

In dieser Masterarbeit soll eine Methodik zur Ableitung historischer und geografischer Feinstaubwerte einer Stadt anhand von Daten von Feinstaubmessstellen entwickelt werden. Im Fokus steht dabei Paris als Fallbeispiel. Folgende Aspekte sollen berücksichtigt werden: 1. Systematische Bereinigung von Wetter- und Ereigniseinflüssen, um verzerrte Daten zu eliminieren. 2. Fokussierung auf Feinstaubwerte im Zusammenhang mit größeren Trends in der verkehrlichen Entwicklung. 3. Kartierung der Messstellen auf das städtische Verkehrsnetz. Methodisch soll die Zuverlässigkeit der Ergebnisse geprüft werden und verschiedene Ansätze diskutiert werden, um diese zu überprüfen und gegebenenfalls anzupassen. Als konkretes Anwendungsbeispiel dient die zeitliche Entwicklung der Feinstaubbelastung in Paris von 2015 bis 2023. Vorkenntnisse in Python sind von Vorteil und werden für die Umsetzung der Methodik empfohlen.

In der Masterarbeit soll der Frage nachgegangen werden, wie sich politische Maßnahmen am besten quantifizieren lassen. Es existieren verschiedene politische Ansätze zur Eindämmung des Verkehrs, darunter die Parkraumbepreisung, die Reduzierung von Parkplätzen und das Konzept der "15-Minuten-Stadt". Um festzustellen, ob diese Maßnahmen effektiv waren, müssen sie zuerst quantifiziert werden. Diese Arbeit zielt darauf ab, eine Methodik zu entwickeln, um politische Maßnahmen sinnvoll zu quantifizieren. Dabei wird die Zuverlässigkeit der Ergebnisse überprüft und verschiedene Methoden werden diskutiert, um sie zu validieren und gegebenenfalls anzupassen. Dies umfasst die Überprüfung der Datenintegrität sowie die Anwendung von Validierungstechniken, um die Verlässlichkeit der Ergebnisse sicherzustellen. Als Fallbeispiel dient Paris, wobei offizielle Daten von Paris Open Data in Verbindung mit Informationen aus Google StreetView und OpenStreetMap verwendet werden. Kenntnisse in Python sind von Vorteil.

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.

Das Radfahren wird allgemein als eine nachhaltige und gesunde Fortbewegungsart anerkannt, jedoch bleibt der Umstieg auf das Fahrrad in mehreren Regionen begrenzt. Ein bedeutendes Hindernis für die verstärkte Fahrradnutzung ist der Verkehrsstress, wie beispielsweise die Angst vor Unfällen. Ein Fahrradsimulator-Experiment bietet eine kontrollierte Methode zur Datenerhebung, die eine präzise Manipulation von Szenarien und eine einfache Verhaltensmessung ermöglicht. Allerdings wurden bisher keine effektiven Methoden zur Messung von Stress in virtuellen Umgebungen entwickelt. Diese Studie zielt darauf ab, Methoden zur Stressmessung in einem Fahrradsimulator zu untersuchen und zu bewerten. Der Ansatz umfasst die Gestaltung von Simulator-Experimenten und die Analyse von biometrischen Daten wie Herzfrequenz, Blickverfolgung und Fahrradverhalten.

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.

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

Die Masterarbeit soll quantitative Methoden zur Ergänzung von Detektordaten untersuchen und vergleichen. Detektordaten sind oft unvollständig, was ihre Anwendbarkeit beeinträchtigt. In der Machine-Learning-Community gibt es mittlerweile effektive Verfahren zur Approximierung fehlender Daten, bekannt unter dem Stichwort "Imputing missing values". Das Hauptziel der quantitativen Analyse besteht darin, verschiedene Machine Learning Methoden anhand eines Geodatensatzes zu testen und zu vergleichen. Der Geodatensatz bezieht sich auf Paris und dokumentiert das Verkehrsverhalten seit 2015. In Paris gab es seit 2015 grundlegende Netzwerkänderungen, die im Verkehrsverhalten nachvollziehbar sind. Diese Auswirkungen sollen anhand der Analyse-Ergebnisse untersucht werden. Voraussetzungen für die Analyse sind grundlegende Kenntnisse in Python. Idealerweise verfügt die/der Student:in über fortgeschrittene Python-Kenntnisse und Erfahrung mit Machine Learning Bibliotheken wie scikit-learn.

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.

Mobility-on-Demand (MoD)-Dienste führen häufige Pick-Up and Drop-Off (PUDO) Prozesse durch, die erhebliche Auswirkungen auf die Kapazität und Leistungsfähigkeit städtischer Straßennetze haben können. In dieser Arbeit werden Mikrosimulationswerkzeuge (z.B. SUMO) eingesetzt, um diese Auswirkungen unter Berücksichtigung verschiedener Netzkonfigurationen, PUDO-Häufigkeiten, Straßentypologien (d.h. Anzahl der Fahrspuren, Fahrspurbreiten, etc.) und Haltestellentypen (am Straßenrand oder als „Doppelparker“) zu quantifizieren.

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.

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.

Der spurlose Verkehr, ein innovativer Ansatz für vernetzte und automatisierte Fahrzeuge (CAV), ermöglicht es Fahrzeugen, ohne feste Fahrspuren über die gesamte Straßenbreite zu navigieren, wodurch der Platz optimiert und Staus reduziert werden. In Kombination mit der internen Begrenzungssteuerung, die die Straßenbreite auf der Grundlage des Verkehrsflusses neu zuweist, kann dies die Straßenkapazität verbessern. Diese Arbeit zielt darauf ab, die infrastrukturellen Herausforderungen bei der Implementierung spurloser Systeme zu bewältigen, und schlägt Änderungen vor, um flexible Bewegungen und ein Verkehrsmanagement in Echtzeit für sicherere und effizientere Straßen zu unterstützen.