Testing of AI-based systems such as autonomous vehicles is challenging due to many situations and scenarios. Brute force is expensive and has gaps, as we see in practice. We thus use synthetic data for an AI-driven testing. This data covers real-world scenarios to train autonomous systems in a simulation-based environment. The training success is evaluated in a data loop and enhanced to close blind spots and unknown knowns. This thesis targets to integrate a requirements and test engine to an automated test system.
The goal of the thesis is to integrate existing parts of the system. A fully running system shall be implemented. The integration comprises verification and validation checks for the existing parts. Professional tools such as DOORS shall be used for industry-scale AI-based testing of autonomous systems.
Knowledge in Python
Industry-scale software engineering and tools
Work in a self-independent way
Passionate about clean and good quality code
Capable of integrating your work with other parts of the system
Christof Ebert
♦
Beim Hochgeschwindigkeits-Tiefziehen (über 400 Hübe pro Minute) entstehen am Bauteilrand unerwünschte Welligkeiten, sogenannte Zipfel. In einem Forschungsprojekt soll diese Formabweichung künftig direkt in der Serienanlage optisch erfasst und durch datengetriebene Modelle kompensiert werden. Bevor Messtechnik in das Serienwerkzeug integriert wird, soll die gesamte Messkette virtuell ausgelegt werden: von der physikalisch basierten Lichttransportsimulation der Anlagenszene über Sensormodelle bis zur Rekonstruktion der Randkontur.
Aufbauend auf einer vom bereitgestellten CAD-Szene ist eine virtuelle Messkette für die optische Inline-Erfassung der Randkontur aufzubauen. Dies umfasst die Überführung der Szene in eine physikalisch basierte Rendering-Umgebung, die Modellierung der zur Auswahl stehenden Sensorkonzepte (Laser-Lichtschnitt, Kamerasystem) als parametrisierte Sensormodelle, die Segmentierung und Rekonstruktion der Kontur aus den synthetischen Sensordaten sowie die Quantifizierung des Rekonstruktionsfehlers gegenüber der bekannten Referenzgeometrie. Darauf aufbauend sind zwei Messpositionen (Eintritt in das Transportsystem, frei fallendes Bauteil) hinsichtlich erreichbarer Konturüberdeckung, Orientierungsreferenz und Auflösung systematisch zu vergleichen und eine Empfehlung für die Sensorspezifikation abzuleiten. Optional kann der Einfluss von Störeffekten (Verschmutzung, Vibration, Beleuchtungsdrift) untersucht werden.
Sichere Python-Kenntnisse; Grundlagen der Bildverarbeitung oder Computer Vision; Interesse an Simulation und Messtechnik. Erfahrung mit Rendering-Werkzeugen (z. B. Blender/BlenderProc, Mitsuba) oder maschinellem Lernen ist hilfreich, aber keine Voraussetzung. Selbstständige, strukturierte Arbeitsweise.
Sebastian Baum
♦
Vision-Language-Action Modelle (VLAs) sind ein vielversprechender Ansatz für die intelligente Steuerung autonomer Roboter.
Um die räumliche Wahrnehmung dieser Modelle zu unterstützen, können Scene Graphs eingesetzt werden. Diese speichern die einzelnen Objekte einer Szene sowie deren Positionen oder Beziehungen zueinander.
Durch diese strukturierte Beschreibung der Umgebung können die Roboter komplexere Aufgaben lösen und Objekte außerhalb des Sichtfeldes nachverfolgen.
Ein bestehender Datensatz für die Steuerung eines Roboterarms soll um Scene Graphs erweitert werden. Dazu kann die Physik einer vorhandenen Simulation in einem Python-Programm ausgelesen werden und anhand der dort hinterlegten Objekte und deren Positionen automatisiert ein Scene Graph erstellt werden.
Der um die Scene Graphs erweiterte Datensatz wird dann in einen Trainings- und einen Testdatensatz aufgeteilt. Ein bestehendes VLA wird durch ein Finetuning auf diese Daten trainiert und anschließend die Performance evaluiert.
Sichere Python-Kenntnisse.
Erfahrung mit LLMs/VLMs sind hilfreich, aber keine Voraussetzung.
Nico Wilhelm
♦