Arbeitsumfeld

Wir in der Technischen Entwicklung unterstützen die Methodenentwicklung, das virtuelle Auslegen und Absichern von Fahrzeugen und deren Funktionen. Die Aufgabe unseres Fachbereichs liegt in dem Entwickeln von Werkzeugen und Methoden. Für das Entwickeln moderner Fahrerassistenzsysteme (ADAS) werden hochwertige Trainingsdaten für KI-Modelle benötigt. Neben real erfassten Sensordaten rücken synthetische Datensätze für das Training in den Fokus, da diese eine flexible und skalierbare Alternative zu den realen Daten darstellen. Im Rahmen dieses Praktikums sollen Methoden zum Vergleichen synthetischer und realer Datensätze erforscht und implementiert werden. Sie möchten die Mobilität der Zukunft mitgestalten? Wir freuen uns auf Ihre Bewerbung.

Mögliche Aufgaben dieser Rolle

• Recherchieren in Fachliteratur

• Identifizieren von Methoden, mit denen Datensätze miteinander verglichen und bewertet werden können

• Implementieren von Methoden zum systematischen Vergleichen synthetischer und realer Umfelddaten.

• Ergänzend kann ein neuronales Netz zur Klassifikation der Datensätze entwickelt werden

• Aufbereiten und Visualisieren der Ergebnisse

Anforderungen an die Qualifikation

• Studierende der Fachrichtungen Informatik, Data Science, Maschinenbau oder vergleichbare Qualifikation
• Gute bis sehr gute Studienleistungen
• Programmierkenntnisse in Python, einschließlich gängiger Bibliotheken wie NumPy und Matplotlib, sowie idealerweise PyTorch oder TensorFlow
• Erste praktische Erfahrungen mit der Entwicklung von neuronalen Netzen sind wünschenswert
• Grundwissen im Bereich Fahrerassistenzsysteme/automatisierte Fahrfunktionen von Vorteil
• Teamfähigkeit, Eigeninitiative und eine verantwortungsbewusste Arbeitsweise

Folgende Dokumente sind mit der Bewerbung einzureichen

• Lebenslauf
• Aktuelle Immatrikulationsbescheinigung
• Aktueller Notenspiegel
• Bei einem Pflichtpraktikum zusätzlich eine Bescheinigung der Hochschule
• Arbeitserlaubnis für Nicht-EU Bürgerinnen / Bürger

Keywords

Fahrerassistenzsysteme (FAS), Deep Learning, Autonomes Fahren