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.

Im Einklang mit den Fördermaßnahmen für Mikromobilität in vielen europäischen Städten gewinnt die Sicherheit von Radfahrenden zunehmend an Bedeutung. Trotz wachsender Aufmerksamkeit sind objektive Untersuchungen des Radfahrverhaltens noch wenig entwickelt und bleiben in ihrem Umfang begrenzt. Diese Arbeit untersucht Aufmerksamkeitsmuster beim Radfahren anhand von Eye-Tracking-Daten. Kennwerte wie Fixationsorte und -dauern, Blinkfrequenzen sowie Kopfbewegungen werden unter verschiedenen Bedingungen verglichen: beim aktiven Radfahren und beim passiven Sitzen am Straßenrand als Beobachter. Darüber hinaus werden Aufmerksamkeitsmuster in unterschiedlichen Umgebungen – etwa auf stark befahrenen Straßen und auf ruhigen Parkwegen – gegenübergestellt, um den Einfluss des Umfelds zu bewerten. Der Vergleich soll aufzeigen, wie die dynamische Tätigkeit des Radfahrens und die jeweilige Verkehrsumgebung die visuelle Aufmerksamkeit, das Situationsbewusstsein und die kognitive Belastung beeinflussen. Die Ergebnisse tragen zu einem besseren Verständnis des Radfahrverhaltens in realen Verkehrssituationen bei. Sie können die Gestaltung sichererer Radverkehrsinfrastrukturen unterstützen und politische Strategien informieren, die eine fahrradfreundliche urbane Entwicklung fördern.

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.

In dieser Arbeit geht es darum, die Absichten von Radfahrern an einer Bus-Haltestelle zu erkennen. Die Analyse basiert auf Kameradaten, die bereits aus einer früheren Fahrradsimulatorstudie vorliegen. Ziel ist es, die Bedeutung oder Beziehung zwischen Körpergesten oder -bewegungen und der endgültigen Manöverentscheidung herauszufinden, wobei sowohl herkömmliche Algorithmen als auch Deep-Learning-Ansätze zum Einsatz kommen.

In dieser Arbeit wird das Verhalten von Radfahrern an Bus-Haltestellen analysiert. Die Analyse basiert sowohl auf der Trajektorie als auch auf den Kameradaten der Radfahrer, die bereits aus einer früheren Fahrradsimulatorstudie verfügbar sind. Ziel ist es, den Zusammenhang zwischen Trajektorie und Körpergesten und Körperbewegungen der Radfahrer herauszufinden.

Diese Studie untersucht, wie sich verschiedene Detaillierungsgrade (Level of Detail, LOD) in 3D-Stadtmodellen auf die Nutzerwahrnehmung in einem virtuellen Realitätssimulator für Mikromobilität auswirken. Höhere LODs können realistischere urbane Umgebungen erzeugen, erfordern jedoch auch deutlich mehr Daten. Experimente, die im "CAVE"-Simulator durchgeführt werden, werden mit realen Fahrraddaten verglichen, um die effektivste Auflösung zu identifizieren, die Daten­effizienz und wahrgenommene Realitätsnähe bestmöglich ausbalanciert. Sowohl subjektives Nutzerfeedback als auch objektive Verhaltensmetriken sollen berücksichtigt werden.

Das Hauptziel dieser Arbeit besteht darin, eine Feldstudie zur Interaktion zwischen verletzlichen Verkehrsteilnehmern (VRUs) und einem Shuttlebus zu entwerfen und durchzuführen. Im Rahmen dieser Studie werden Daten erhoben, auf deren Grundlage ein System entwickelt und getestet wird, das sowohl kamerabasierte Daten aus der Fahrzeugperspektive als auch LiDAR-Daten aus der Infrastrukturperspektive zur Erkennung, Verfolgung und Intentionsvorhersage von VRUs kombiniert.

Induktionsschleifen liefern im städtischen Bereich Informationen über den Verkehrsfluss und die Belegungszeit, sowie bei Doppelinduktionsschleifen auch über Fahrzeugtyp und Geschwindigkeit. In München werden diese Informationen zur Verfügung gestellt. Jedoch ist bekannt, dass die erhobenen Daten fehleranfällig sind. Durch die Erhebung von Trajektoriendaten mittels einer Drohne an mehreren Standorten, an denen auch Induktionsschleifen installiert sind, soll der Fehler dieser Induktionsschleifen-Daten abgeschätzt werden.

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.

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.

Viele Studien zu On-Demand-Mobilitätsdiensten gehen von konstanten Netzwerkreisezeiten aus, da ihr Schwerpunkt eher auf Betriebsalgorithmen als auf der Verkehrsdynamik liegt. FleetPy ist ein modulares Framework zur Simulation von On-Demand-Diensten und verwendet standardmäßig ebenfalls deterministische Fahrzeiten. Das Ziel dieser Arbeit ist es, das Netzwerkmodell innerhalb von FleetPy anzupassen, so dass es Verkehr dynamisch und effizient abbilden kann; dafür soll ein dynamisches MFD-basiertes Modell implementiert werden. Anschließend werden Flotten-KPIs für deterministische und dynamische Szenarien analysiert und die Auswirkungen von Staus, die durch ODM verursacht werden, auf die Wahl des Verkehrsmittels untersucht.

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

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 sollen das Konzept von sogenannten "Motion Plannern" im Bereich des automatisierten Fahrens auf Fahrradfahrer angewendet werden und gegen echte Daten validiert werden

Diese Arbeit untersucht den Einfluss autonomer Fahrzeuge in verschiedenen Verkehrsszenarien wie Autobahnen, Kreuzungen und Kreisverkehren. Mit SumoWare, einer Integration von SUMO und Autoware, wird analysiert, wie sich ein vollständiger Driving Stack auf Verkehrsfluss und Effizienz auswirkt.

Diese Arbeit untersucht, wie Verkehrsteilnehmer auf Veränderungen in der Dynamik von Verkehrssystemen reagieren, wobei ein Ansatz der elastischen dynamischen Verkehrszuweisung zum Einsatz kommt. Ziel ist es, das Potenzial bedarfsorientierter Maßnahmen zur Steigerung der Systemresilienz zu analysieren. Dabei werden insbesondere die Sensitivität der Nutzer sowie Nachfrageverschiebungen unter verschiedenen Szenarien betrachtet.

In dieser Arbeit wird die Dynamik des Verkehrsflusses in städtischen Netzen während groß angelegter Evakuierungen untersucht. Ziel ist die Entwicklung effektiver Evakuierungspläne, die Verkehrsstaus minimieren, die Evakuierungsdauer verkürzen und die Systemleistung unter Notfallbedingungen insgesamt verbessern.

Störungen mit Auswirkungen auf die geplanten Fahrpläne des ÖPNV sind häufig und werden mit Dispositionsstrategien beantwortet. Die dynamische Modellierung dieser Störungen mit Simulationssoftware ist jedoch begrenzt. Es soll eine Übersicht über mögliche Störungen und Dispositionsstrategien erstellt werden. GTFS-Dateien, die die Störungen und Strategien widerspiegeln, sollen erstellt und simuliert werden (z.B. mit MATSim, Fleetpy). Ziel ist die Bewertung des Verhaltens verschiedener Dispositionsstrategien unter einem bestimmten Störungsszenario.

Diese Masterarbeit untersucht anhand des Mobilität.Leben GPS-Tracking-Datensatzes, wie sich Streiks im öffentlichen Verkehr auf das Mobilitätsverhalten auswirken. Analysiert werden kurzfristige Reaktionen sowie mögliche langfristige Verhaltensänderungen. Kenntnisse in Statistik/Ökonometrie sowie Erfahrung mit R oder Python werden vorausgesetzt.

Die Zuverlässigkeit des ÖPNV wird oft durch Verspätungen beeinträchtigt, die in statischen GTFS-Fahrplänen nicht abgebildet sind. Diese Abschlussarbeit schlägt ein Rahmenwerk vor, um diese Lücke durch die präzise Vorhersage von ÖPNV-Verspätungen zu schließen. Das Hauptziel ist die Entwicklung einer generalisierbaren Methodik zur Erfassung historischer Verspätungen im ÖPNV. Dieser Prozess wird eine umfassende historische Verspätungsdatenbank füllen. Auf Basis dieser Datenbank werden im Rahmen der Forschung anschließend prädiktive Modelle entwickelt und evaluiert. Die Studie wird verschiedene Techniken untersuchen, potenziell einschließlich statistischer Analysen, heuristischer Regeln und Algorithmen des maschinellen Lernens.

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++.

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.

Diese Arbeit untersucht Methoden zur dynamischen Bewertung der Kritikalität einzelner Verbindungen auf Grundlage der Netznachfrage und -topologie. Darüber hinaus wird die optimale Reihenfolge von Reparaturmaßnahmen analysiert, um die Gesamtwiederherstellungszeit zu minimieren und den Systemdurchsatz nach einem Störungsereignis zu maximieren.