PhD - Datenbasierte Selbsteinschtzung fr multimodale Wahrnehmung im automatisierten Fahren

Datengetriebene Methoden sind heute in autonomen Systemen allgegenwrtig. Eine wichtige Aufgabe der Umgebungswahrnehmung besteht darin relevante Objekte in der Szene zu erkennen zu klassifizieren und zu verfolgen. Insbesondere sind wir daran interessiert die Umgebungswahrnehmung unter Verwendung von punktwolkenhnlichen Daten (z.B. Lidar) in Kombination mit Video zu untersuchen.

Die heutigen Wahrnehmungsalgorithmen basieren auf tiefen neuronalen Netzwerken und werden in der Regel darauf trainiert Fehler fr jedes Objekt in einer Szene gleich zu gewichten unabhngig von seinen potenziellen Auswirkungen auf die Fahraufgabe. In der Realitt gibt es jedoch Objekte die mehr oder weniger relevant sind. Als Ergebnis ist das trainierte Netzwerk das gem den Metriken als am besten geeignet angesehen wird nicht unbedingt das beste das eingesetzt werden kann. Das Ziel dieser Forschung ist es zum Einen neue Mglichkeiten zur Bewertung der Relevanz fr alle Teile der Szene zu entwickeln und zum Anderen die aktuelle Wahrnehmungsperformance in diesen Bereichen zu bewerten. Insbesondere die Verbindung der Konzepte von Relevanz und Selbsteinschtzung zur Verbesserung der Korrelation von Trainingsmetriken und realer Performance wird im Rahmen dieser Arbeit im Mittelpunkt stehen.

• Als Teil unseres Teams entwickelst du neuartige maschinelle Lernanstze fr die Objekterkennung und verfolgung auf der Grundlage von selfsupervision.
• Du evaluierst deine Algorithmen anhand ffentlicher BenchmarkDatenstze und interner RealweltDatenstze offline sowie online.
• Zudem trgst du zur wissenschaftlichen Gemeinschaft bei indem du deine Arbeit auf fhrenden Konferenzen und Zeitschriften fr maschinelles Lernen sowie Robotik publizierst (NIPS ICML ICLR CVPR ICCV IROS oder ICRA).
• Nicht zuletzt bernimmst du Verantwortung und arbeitest in einem agilen sowie vielfltigen Forschungsteam mit anderen PhD Studentinnen bzw. Studenten und im Austausch mit mehreren Forschungsprojekten.

Qualifications :

• Ausbildung: Abschluss (Master/Diplom) in Informatik Elektrotechnik Mathematik oder einem verwandten Fach mit ausgezeichneten akademischen Leistungen
• Erfahrung und Knowhow: fundierte Kenntnisse in maschinellen Lernalgorithmen und prinzipien vorzugsweise im Bereich Deep Learning sowie nachgewiesene Programmierkenntnisse in Python
• Persnlichkeit und Arbeitsweise: aufgeschlossener Teamplayer mit zielorientiertem und logischem Denken
• Sprachen: sehr gutes Englisch in Wort und Schrift Deutschkenntnisse von Vorteil

Zustzliche Informationen :

Das PhDProjekt wird in Zusammenarbeit mit und unter Mitbetreuung von Dr. Holger Caesar (Assistant Professor am Intelligent Vehicles Lab TU Delft) durchgefhrt.

Start: nach Absprache

Bitte reiche alle relevanten Unterlagen ein (einschlielich Lebenslauf Motivationsschreiben und Zeugnisse).

Vielfalt und Inklusion sind fr uns keine Trends sondern fest verankert in unserer Unternehmenskultur. Daher freuen wir uns ber alle Bewerbungen: unabhngig von Geschlecht Alter Behinderung Religion ethnischer Herkunft oder sexueller Identitt.

Du hast Fragen zum Bewerbungsprozess
Sarah Schneck (Personalabteilung)

Du hast fachliche Fragen zum Job
Florian Faion (Fachabteilung)
49 3

In diesem Team sind wir per du. Werde ein Teil davon! Work #LikeABosch