Studentische Arbeiten
Wir freuen uns sehr über die Zusammenarbeit mit den Studenten und wir möchten euch kurz vorstellen, in welchen Themengebieten wir uns besonders über eure Unterstützung freuen würden. Kommt gerne mit euren Ideen und Vorstellungen vorbei und wir suchen gemeinsam nach Möglichkeiten, wie ihr eure Abschlussarbeiten, Seminararbeiten, Forschungs- und Projektmodule bei uns erledigen könnt. Für Fragen stehen wir euch jederzeit zur Verfügung.
Können wir einer KI beibringen so zu fahren wie wir?
Die virtuelle Validierung von autonomen Fahrzeugen ist ein vielversprechender Ansatz um festzustellen, ob die Fahrzeugsoftware sicher ist bevor sie im realen Straßenverkehr eingesetzt wird. Damit die Ergebnisse auf den realen Straßenverkehr übertragen werden können müssen die simulierten Verkehrsteilnehmer während der gesamten Simulationszeit ein konsistentes und realistisches Fahrverhalten haben.
Der Einsatz von Deep Learning Modellen in Kombination mit Imitation Learning ( https://ieeexplore.ieee.org/document/9564456) kann ein realistisches Verkehrsagentenverhalten erzeugen. Zudem haben neuere Imitation Learning Methoden in simulierten und künstlichen Umgebungen vielversprechende Ergebnisse ( https://arxiv.org/abs/2102.13185, https://arxiv.org/abs/2106.12142). Eine offene Fragen ist jedoch, ob diese Methoden auch zu besseren Ergebnissen in realen Anwendungen führen und ob die trainierten Agenten anschließend in der Lage sind, Verkehrsszenarien zu erzeugen, die den Aufzeichnungen in der realen Welt ähneln.
Im Rahmen eines Abschluss- oder Forschungsmoduls kannst du zur Lösung eines aktuellen und spannenden Forschungsproblems beitragen und dabei Erfahrungen mit dem Einsatz von modernen Machine Learning Methoden sammeln.
Ansprechpartner: Damian Boborzi
Physics-Enhanced Latent Space Variational Autoencoder (PELS-VAE) to accelerate model-based optimization
The right dimensioning of the HVAC cooling circuit is an important aspect for the operating range and costs of electric cars. Here, the manipulated variables including maximum cooling power of the coolant evaporator, maximum mass flow rate of the blower and air distribution driven by ventilation flaps fully characterize the influence of the HVAC system on the conditions inside the car cabin. Since passengers are not only sensitive to the conditioned temperature but also to temperature gradients as well as draught and humidity, the predicted mean vote (PMV) is a widely used method to evaluate human comfort for given cabin conditions driven by the HVAC system.
Therefore, the HVAC system design is a multi-objective optimization task: for a given driving scenario, the cabin conditions should maintain a given PMV, while the HVAC system should not exceed a reasonable sizing. Each of the described manipulated affects all of conditioned variables, with partially competing effects.
For an existing Modelica system model of a car cabin, the described optimization should be performed for a simple usage scenario (cooling down of a sun-heated cabin in summer). As the cabin model is rather detailed, the number of simulations to investigate different parameter settings is limited. This makes it difficult to directly apply a model-based optimization, e.g., using a genetic algorithm.
The task of this thesis is to investigate, whether this limitation can be resolved if instead of the full model a PELS-VAE is used for generating simulation data for parameter variations. For a chosen (genetic) optimization algorithm, it is to be evaluated if the computational effort for the PELS-VAE-driven optimization (including generation of training data from the full model and training of the PELS-VAE itself) is significantly lower than for the conventional optimization, which relies solely on simulation data from the full model.
PELS-VAE: https://arxiv.org/abs/2005.07773
Ansprechpartner: Yi Zhang
Lass dich treiben ... aber schnell!
Die Simulation von Fluiden im Bereich der Strömungsmechanik ist eine rechenintensive Aufgabe, welche sehr schnell komplex werden kann. Wie können wir das Ganze verbessern und eine schnellere Berechnung ermöglichen?
Innerhalb des
PHyMoS-Projektes wird versucht, Modelle teilweise oder sogar komplett durch Methoden des maschinellen Lernens zu ersetzen. Dadurch wird das aufwändige Lösen von Gleichungssystemen vermieden, wodurch das System deutlich schneller ausgewertet werden kann.
Zudem besteht die Möglichkeit die gelernte Dynamik auf andere Systeme zu übertragen und die Entwicklung neuer Modelle einfacher zu gestalten.
Ansprechpartner: Julian Trommer
Do you feel the (bayes) flow?
Wenn du daran interessiert bist, neue Architekturen von „Deep Neural Networks“ zu entwickeln oder wenn du dich für die Kombination von KI und klassischen mechatronischen Modellen begeistern kannst, dann unterstütze uns im PHyMoS-Projekt (Physik-Hybrid-Modellierung und Simulation). Aktuelle Forschungsarbeiten befassen sich mit „Normalizing Flows“, „Invertible Neural Networks“, „Bayesian Inference“ und der „Uncertainty Quantification“ bei der Identifizierung von Parametern, kurz BayesFlow. Im Gegensatz zu klassischen Methoden des maschinellen Lernens, die den Input und Output eines Modells direkt abbilden, lernt BayesFlow die Wahrscheinlichkeitsbeziehung hinter den Daten, um das inverse Problem präzise und zuverlässig zu lösen.
Wir freuen uns, wenn du deine intelligenten Ideen einbringen möchtest, um diesen anspruchsvollen Ansatz weiterzuentwickeln und dem Projekt beizutragen.
Ansprechpartner: Yi Zhang
Julia
Falls du jetzt an „Romeo“ gedacht hast, ist es höchste Zeit die Bekanntschaft von „Julia“ zu machen - die Rede ist von der Programmiersprache Julia (engl.).
Julia ist eine high-level Programmiersprache, entwickelt am MIT, die sich insbesondere unter Forschern großer Beliebtheit erfreut. Die Gründe dafür lassen sich in einem Satz zusammen fassen: Julia ist sehr einfach, sehr schnell und unglaublich portabel. Das bedeutet: Software die an einem mageren Laptop entworfen wurde, kann ohne wesentliche Änderungen auf einer GPU-Workstation oder sogar einem HPC-Cluster ausgeführt werden. Copy. Paste. Run.
Kein Wunder also, dass auch wir am Lehrstuhl Julia lieben - wenn auch nicht unsterblich. Entsprechend entwickeln wir eigene Softwarebibliotheken in dieser Sprache und suchen hier immer nach Unterstützung, bspw. in Form eines Forschungs- oder Projektmodules.
Ansprechpartner: Tobias Thummerer
Scoomatic Prototyp
Das Scoomatic Projekt beschäftigt sich mit der Optimierung aktueller gemeinsam genutzter Mikromobilitätslösungen. Jedes Fahrzeug, welches auf dem Fahrradweg fahren kann, ist stark vereinfacht ein Mikromobilitätsfahrzeug. Hoverboards stellen einen günstigen Einstieg in die individuelle E-Mobilität dar. Deswegen haben wir eine mobile Plattform entworfen, die durch ein Hoverboard angetrieben wird. Darüber hinaus ist diese Plattform mit verschiedener Sensorik, wie z.B. GPS, Hall-Sensoren, IMU, Ultraschallsensoren und einem Lasersensor ausgestattet. Im nächsten Schritt soll der Raspberry Pi durch ein Nvidia Jetson Board ersetzt werden und eine Intel Real Sense Kamera sowie eine Zed 2 zur Umgebungswahrnehmung integriert werden.Eine kurze Übersicht über das Projekt liefert folgendes Video. Eine Übersicht bietet außerdem folgende Veröffentlichung.
Ansprechpartner: Lennart Luttkus
Ehemalige studentische Arbeiten
Ab hier findet ihr einen Auszug aus studentischen Arbeiten, die derzeit bearbeitet werden oder bereits abgeschlossen wurden. Falls euch diese Themen interessieren, lässt sich oft eine weiterführende Arbeit finden.
Neuronale Netze - mal anders!
Mit neuronalen Netzen Gesichter auf Fotos erkennen - das ist bereits ein alter Hut.
Im UPSIM-Projekt versuchen wir Modelle zu verbessern, die wir selbst nicht weiter verbessern können - oder wollen - und zwar mithilfe von neuronalen Netzen und anderen KI-Methoden. Praktisch bedeutet das: Die künstliche Intelligenz beobachtet und lernt den fehlenden Teil des Modells nach und nach - bis sie diesen schließlich komplett ergänzen kann.
Diese besseren Modelle führen dann zu exakteren Simulationen und werden in Zukunft die Durchführung von Tests an realen Prototypen in Automobil- und Medizintechnik stark reduzieren - und womöglich irgendwann sogar komplett ersetzen.
Wir bieten dir an, mit deinem Abschluss- oder Forschungsmodul an verschiedenen Stellen in dieses herausfordernde aber zukunftsweisende Forschungsfeld einzusteigen.
Ansprechpartner: Tobias Thummerer
Neue Wege für medizintechnische Modelle
Was muss passieren, dass ausgefallene Bio-mechatronische Systeme nicht nur in Kino und Computerspiel existieren?
Für die Entwicklung neuer medizinischer Technolgien und Aparaturen bedarf es exakter Modelle des menschlichen Körpers. Viele Organ- oder Körperteil-Modelle sind jedoch nur für einen speziellen Anwendungsfall entworfen und optimiert worden. Somit sind diese für die nächste, andere Aufgabe nicht mehr verwertbar und man beginnt wieder neu zu bauen. Das behindert den technologischen Fortschritt und deshalb suchen wir alternative Wege, Modelle des menschlichen Körpers (insbesondere des Blutgefäßsystems) zu bauen und zu simulieren.
Ansprechpartner: Tobias Thummerer
TSIP-Demonstrator
Der TSIP-Demonstrator (tetrahedron-shaped inverted pendulum) ist im Wesentlichen eine Metall-Pyramide, die einmal auf die Ecke gestellt einfach nicht mehr umfallen will. Dabei nutzt das System nicht den gyroskopischen Effekt (wie beim Fahrrad-Fahren), sondern kleine Korrekturmomente, die von schweren Schwungrädern erzeugt werden. Einen kleinen Einblick, wie so etwas praktisch aussieht, kannst du dir in diesem Video verschaffen. Wenn du den Demonstrator live in Aktion sehen möchtest, kannst du das bei uns im Mechatronik-Büro tun (bitte vorher per E-Mail anmelden).
Was im Video bereits nach einer „runden Sache“ aussieht, ist aber noch lange nicht fertig! Wir haben zahlreiche Ideen, wohin die Entwicklung des Systems weitergehen kann und freuen uns auch über deine Eingebungen hierzu!
Ansprechpartner: Tobias Thummerer
Virtueller Scoomatic Prototyp
In diesem Projekt wird ein digitaler Zwilling für den Hoverboard Prototypen in der Unreal Engine aufgebaut. Ziel ist es anschließend durch die CARLA-Umgebung mit unserem Prototyp zu fahren und diesen dort weiterzuentwickeln. Gerne könnt ihr ein Video der aktuellen Simulation ansehen.
Ansprechpartner: Lennart Luttkus
ASLAN
ASLAN ist ein auf Autoware.AI basiertes Open Source Softwarepaket, welches sich auf selbstfahrende Fahrzeuge mit geringen Geschwindigkeiten fokussiert. Das erst seit Juli bestehende Projekt würden wir uns gerne in einem Projektmodul oder einer Seminararbeit genauer anschauen und das Potenzial für die Mikromobilitätsplattform Scoomatic überprüfen. An dieser Stelle kommt man mit den neuesten Entwicklungen aus dem Bereich der selbstfahrenden Fahrzeuge in Berührung und verschafft sich einen Einblick hinter die Kulissen eines der dynamischsten Forschungsfelder.
Ansprechpartner: Lennart Luttkus
Autoware.AI
Autoware.AI ist ein auf ROS basiertes Open-Source-Projekt zur Entwicklung von autonomen Fahrzeugen. Autoware lässt sich zusammen mit der Simulationsumgebung CARLA betreiben und bietet somit einen spannenden Ausgangspunkt für einen genaueren Blick hinter die Kulissen von autonomen Fahrzeugen. Gemeinsam möchten wir den genauen Funktionsumfang in einem Projektmodul analysieren und das Potenzial für unsere Forschungsvorhaben evaluieren.
Ansprechpartner: Lennart Luttkus
Mobile Energieversorgung (TSIP)
Der TSIP-Demonstrator (tetrahedron-shaped inverted pendulum) ist im Wesentlichen eine Metall-Pyramide, die einmal auf die Ecke gestellt einfach nicht mehr umfallen will. Dabei nutzt das System nicht den gyroskopischen Effekt (wie beim Fahrrad-Fahren), sondern kleine Korrekturmomente, die von schweren Schwungrädern erzeugt werden. Einen kleinen Einblick, wie so etwas praktisch aussieht, kannst du dir in diesem Video verschaffen.
Im Rahmen einer Bachelorarbeit wurde TSIP von seiner elektrischen Nabelschnur getrennt und wird von nun an über LiPo-Akkus mit Energie versorgt.
Ansprechpartner: Tobias Thummerer
MABEL Prototyp
Bei der Entwicklung eines Prototyps für die autonome Mikromobilität sind wir immer auf der Suche nach neuen Ideen. In diesem Bachelor Forschungsmodul soll das MABEL-Projekt nachgebaut und erweitert werden. MABELs Konzept wurde inspiriert von Boston Dynamics Handle.
Eine spannende Weiterentwicklung wäre die Fähigkeit einzelne Treppenabsätze zu überwinden. Interesse am 3D-Druck, Mikroelektronik und hardwarenaher Softwareentwicklung sind von Vorteil.
Ansprechpartner: Peter Krönes
Aufbau einer Hybridfahrzeug-Simulation
Hybrid- und Elektrofahrzeuge gewinnen seit Jahren immer mehr an Bedeutung. Die Entwicklung solcher Fahrzeuge stützt sich mittlerweile maßgeblich auf virtuelle Modelle. Im Rahmen der Seminar-, Projekt- oder Bachelorarbeit soll eine Simulation für ein realitätsnahes Hybrid-Fahrzeug (Toyota Prius III) im neuen, industrienahen Standard SSP (System Structure and Parametrization) implementiert werden. Abschließend wird das Fahrzeug in der bekannten WLTP-Zyklusfahrt simuliert.
Keine Panik: Ein Referenzmodell des Fahrzeugs als Hilfestellung ist in Dymola bzw. OpenModelica vorhanden. Neben der eigentlichen Modellierung umfasst die Arbeit vorweg die Einarbeitung in die objektorientierte Modellbildung mit Modelica (Vorkenntnisse von Vorteil), sowie in die Simulations-Austausch-Formate FMI und SSP.
Ansprechpartner: Tobias Thummerer