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
♦
Das Ziel des Kooperations-Projekts HEART ist die Entwicklung und prototypische Umsetzung eines autonomen Patienten-Transportsystems (APTS). Das APTS ist als intelligentes System konzeptioniert, welches sich durch Perzeption von Situationen und Kontext, Reasoning-Fähigkeiten und durch die autonome Umsetzung der geforderten Funktionalitäten auszeichnet [1]. Bestandteil dieser Arbeit ist die Modellierung des Patientenzustands aus Kamera- und Textdaten und der Abgleich der daraus abgeleiteten Werte mit der Operational Design Domain (ODD) autonomer mobiler Roboter (AMR) im Patiententransport. Für eine sichere Transportentscheidung reicht die Betrachtung der Umgebung allein nicht aus, da auch der Zustand der zu transportierenden Person relevant ist und als Rahmenbedingung des Transports gesehen wird (z. B. Vitalparameter, Unruhe, Belastung). Kamerabasierte, kontaktlose Verfahren zur Schätzung physiologischer Größen wie Herzfrequenz (rPPG) [2] und Atemfrequenz [3] sind in den letzten Jahren weit vorangekommen und werden durch Verfahren zur Emotions- bzw. Affekterkennung aus Gesichtsausdruck oder Körperhaltung ergänzt [4, 5]. Textdaten (elektronische Patientenakte, Diagnosen,..) ergänzen relevante Informationen.
Im Rahmen dieser Masterarbeit sollen zunächst physiologisch und klinisch relevante, kamerabasiert ableitbare Zustandsgrößen definiert werden (u. a. Herzfrequenz, Atemfrequenz, ggf. Emotions- bzw. Distress-Erkennung). Anschließend soll eine kamerabasierte Schätzung dieser Größen implementiert und mit Textdaten (strukturierte klinische bzw. Kontextangaben, in Anlehnung an bestehende HEART-Kontextdatenkomponenten) zu einem Patientenzustandsmodell fusioniert werden. Abschließend sollen relevante Daten mit einer definierten ODD gegenüberstellt werden, um patientenzustandsabhängige Situationen abzudecken. Aktuelle Entwicklungen (z. B. Deep-Learning-basierte rPPG-Verfahren, multimodale Zustandsfusion) sind in der Literaturrecherche zu berücksichtigen. Ziel dieser Arbeit ist das Zusammenführen der Datenquellen zu einem Patientenzustandsmodell. Der Abgleich mit der ODD, legt den Grundstein für folgendes Reasoning und Diagnosevorschläge.
- Python
- Grundkenntnisse in Computer Vision und Bildverarbeitung
- Bereitschaft zur Einarbeitung in medizinische Grundlagen und die Operational Design Domain (ODD)
Kathrin Fleissner
♦