Anomalie-Detektion in Automotive Datensätzen

Masterarbeit

Themen-Schwerpunkt: Mobilität
Studiengänge: Elektrotechnik, Informatik, Informationstechnik, Verwandte Studiengänge

Umfeld

Bei der Entwicklung und Validierung autonomer Fahrfunktionen spielen Daten eine zunehmend wichtige Rolle. Testfahrzeuge und Fahrzeugflotten generieren sehr große Datenmengen, die zentral abgelegt und weiterverwendet werden. Mit zunehmender Datenmenge werden auch die Herausforderungen in der Verwaltung und Speicherung immer größer. Daten müssen für Entwickler verfügbar gemacht und geeignet annotiert werden, was häufig sehr hohen manuellen Aufwand mit sich bringt. In Kooperation mit SiaSearch (Siasearch.io) forscht das FZI an Methoden zur Verarbeitung und Reduktion großer Mengen von aufgezeichneten Erprobungsdaten. Dabei stellt sich die Frage, welche der gesammelten Daten zur Verbesserung der Funktion beitragen und welche Daten keinen zusätzlichen Nutzen bringen. Besonderes Interesse gilt in diesem Bereich dem Auffinden von Anomalien in den Daten, da diese eine Fahrfunktion besonders robust gegenüber unerwarteten Situationen im Feld machen können.


Im Rahmen dieser Arbeit sollen Methoden entwickelt werden, wie große Mengen an Daten automatisiert auf Anomalien untersucht werden können. Dabei sind potentiell verschiedene Datenebenen relevant, einerseits Sensordaten (z.B. Bilder, Radar/Lidar-Scans) und andererseits aus Rohdaten abgeleitete Merkmale. Die Methode soll in der Lage sein, Datenpunkte und seltene Muster zu finden, um einen Trainings- oder Validierungsdatensatz gezielt durch diese Datenpunkte zu ergänzen. Dazu sollen die Daten möglichst umfassend analysiert werden, also mit einer möglichst breiten Datenbasis gearbeitet werden. Für die Lösung der Aufgabenstellung sollen sowohl klassische statistische Methoden als auch KI-Methoden betrachtet werden.

Aufgaben

  • Literaturrecherche zu State-of-the-Art Methoden zur Identifikation von Anomalien
  • Entwicklung eines Konzepts zur Anomaliedetektion in großen Automotive Datensätzen
  • Evaluation des Ansatzes und Dokumentation des Vorgehens

Wir bieten

  • ein interdisziplinäres Arbeitsumfeld mit Partnern aus Wissenschaft, Wirtschaft und Anwendern
  • Einblicke in Industrie durch die kooperative Betreuung mit SiaSearch (Berlin)
  • eine angenehme Arbeitsatmosphäre
  • konstruktive Zusammenarbeit

Wir erwarten

  • gute Kenntnisse in Python
  • gute Kenntnisse in Pytorch oder Tensorflow
  • praktische Erfahrungen im Bereich Data Science
  • selbständiges Denken und Arbeiten
  • sehr gute Deutsch- oder Englischkenntnisse
  • Motivation und Engagement

Bewerbung

Wir freuen uns auf Deine PDF-Bewerbung an Lennart Ries, ries@dont-want-spam.fzi.de, mit folgenden Unterlagen:

  • Aktuelle Studienbescheinigung
  • Aktueller Notenauszug
  • Tabellarischer Lebenslauf

Weitere Informationen

  • Start: ab sofort