Mit dem Fortschritt der Radartechnologie von herkömmlichen Range-Doppler-Sensoren hin zu hochauflösendem 4D-Imaging-Radar müssen Perzeptionssysteme in ADAS so gestaltet werden, dass sie mit aktueller und zukünftiger Radartechnik kompatibel bleiben. Ziel dieser Arbeit ist die Entwicklung eines Kamera-Radar-Fusionsmodells, das sich an verschiedene Radarkonfigurationen anpassen kann, ohne dass wesentliche architektonische Änderungen erforderlich sind. Der Fokus liegt auf der Generalisierbarkeit über mehrere Radar-Generationen hinweg auf Point-Cloud-Ebene, um langfristige Flexibilität zu gewährleisten und den Bedarf an erneuter Modellanpassung oder Integration zu reduzieren. Zur Umsetzung werden Methoden aus dem Bereich Deep Learning, Sensordatenfusion, sowie Benchmarking-Strategien eingesetzt. Die Evaluierung erfolgt anhand offener Realwelt-Datensätze und synthetischer Sensordaten aus CARLA, die ein breites Spektrum an Radarkonfigurationen und Umweltszenarien abdecken.

Rechercheaufgaben:

• Analyse bestehender Kamera-Radar-Fusionsarchitekturen hinsichtlich Erweiterbarkeit für unterschiedliche Radarkonfigurationen
• Untersuchung von Methoden zur Normalisierung und Integration von Point-Cloud-Daten aus verschiedenen Radargenerationen
• Entwicklung eines Modells und einer Trainingsstrategie zur Generalisierung über unterschiedliche Radarsysteme hinweg
• Benchmarking des entwickelten Ansatzes auf open-source Datensätzen sowie synthetischen Daten aus CARLA

Studiengänge:

• Informatik
• Künstliche Intelligenz
• Robotik
• Fahrzeugtechnik
• Data Science oder vergleichbarer Studiengang

Studienschwerpunkte:

• Softwareentwicklung und Programmierung
• Machine Learning und Deep Learning
• Computer Vision
• Signalverarbeitung

Fachkenntnisse:

• Erfahrungen in Machine Learning und Deep Learning
• Verständnis von Sensordatenfusion
• Grundlagen der Radar- und Kamerasensorik
• Grundlagen der 3D-Datenverarbeitung

IT-Kenntnisse:

• Sicherer Umgang mit MS Office
• Fundierte Kentnisse in Python, C oder C++
• Erfahrungen mit Git, Gitlab und Linux (Ubuntu)
• Erfahrungen mit Machine Learning und KI-Frameworks (PyTorch, TensorFlow)

Sprachkenntnisse:

• Englisch (fließend in Wort und Schrift)
• Deutsch von Vorteil

Soft Skills:

• Hohe Eigeninitiative
• Ausgeprägte analytische Fähigkeiten
• Strukturierte und eigenständige Arbeitsweise
• Teamfähigkeit
• Zielorientierung