Destillationsbasierte Fahrverhaltensmodellierung von Automatisierten End-To-End Fahrzeugen
Masterthesis, Advanced Design Project (ADP)
Im Rahmen des Forschungsprojekts DFG-MiRoVA entwickelt das Fachgebiet Fahrzeugtechnik (FZD) Ansätze zur Simulation des Fahrverhaltens von automatisierten Fahrzeugen. Diese Arbeit entwickelt und evaluiert ein kompaktes Echtzeitmodell für das Fahrverhalten automatisierter Fahrzeuge durch Destillation aus einem vortrainierten Vision-Language-Modell unter Verwendung bereitgestellter Verkehrsszenarien.
Im Rahmen des Forschungsprojekts DFG-MiRoVA entwickelt das Fachgebiet Fahrzeugtechnik (FZD) Ansätze zur Simulation des Fahrverhaltens von automatisierten Fahrzeugen. Diese Arbeit entwickelt und evaluiert ein kompaktes Echtzeitmodell für das Fahrverhalten automatisierter Fahrzeuge durch Destillation aus einem vortrainierten Vision-Language-Modell unter Verwendung bereitgestellter Verkehrsszenarien.
- Literaturrecherche zu E2E-Automatisiertem Fahren, leichtgewichtigen neuronalen Netzwerkarchitekturen und -designs, Trainingspipelines und Wissensdestillation
- Datengenerierung mit openEMMA (Lehrer) auf bereitgestellten SILAB-Verkehrsszenarien (Simulator), um Bildsequenzen und Lehrerausgaben (z. B. Trajektorien, Steuerbefehle) zu extrahieren
- Entwurf und Training eines kompakten Schüler-Netzwerks (z. B. Mobile-CNN) in PyTorch unter Verwendung der generierten Lösungspaare aus openEMMA
- Bewertung und Diskussion der Genauigkeit, Leistung und Einschränkungen des entwickelten E2EModells im Vergleich zu openEMMA unter Verwendung der bereitgestellten und variierten Szenarien
