Darshak Panseriya

Überführung der Kick-Detection-Funktion vom Demonstrator ins Kundenfahrzeugprogramm: Datenkampagnen im Fahrzeug, Robustheits-Härtung über Domänen, Montagepositionen und unbekannte Nutzer; Demo-zu-Fahrzeug-Lücke von ca. 10–15 % geschlossen. Vorgehen im OEM-Design-Review vertreten — bestanden. Modell-Testsuite als No-Code-UI; über 100 Skripte zu einer standardisierten Codebasis konsolidiert — im Einsatz bei Bosch-Teams in Japan, Vietnam und Ungarn. Beiträge zu Metrikdefinitionen der Verifikationsrichtlinien.

Gesamtverantwortung für eine über ein Jahr stagnierende Erkennungsfunktion — von ersten Daten bis zum integrierten Echtzeit-Demonstrator. Datenkampagnen, automatisiertes Labeling per Drucksensor-Ground-Truth (hunderte Stunden auf ca. zehn je Kampagne), Signalverarbeitung (CIR, Doppler, STFT), hybride Pipeline aus Vorfilterung, kompaktem Modell und Plausibilisierung. Kick 200–400 ms vor Bodenkontakt erkannt; >90 % Erkennungsrate; >90 % der Roh-ML-Fehlauslösungen unterdrückt; ca. 100 KB RAM auf Cortex-M.

Echtzeit-Analyse- und Visualisierungswerkzeug für Channel Impulse Response in Python und PyQt (FFT, Jitter, Signalstatistik). UWB-Radar- und Ranging-Erprobung für Innenraumüberwachung, Kick-to-Open und Intrusion unter Stressszenarien. CANoe-Messabläufe mit Python und CAPL automatisiert. Automatisiertes Labeling-Framework mit Human-in-the-Loop-Bereinigung (Radar, Druck und Video synchronisiert): über 80 % weniger manuelle Nacharbeit. Ingest- und Indizierungspipeline mit Metadatenextraktion.

Optimierung der Perception-Pipeline für Echtzeit-Rennszenarien. Automatisierte YOLOv8-Pose-Validierung mit AP, IoU und Keypoint-RMSE. Keypoint-Genauigkeit über Segmentierungsmasken und Nearest-Point-RMSE gebenchmarkt, dadurch rund 100 Stunden manuelles Labeling eingespart. Monokulare Distanzschätzung begrenzt die Bewertung auf den kritischen Bereich von 1 bis 15 Metern und reduziert Fehldetektionen. Klassenweise Confusion-Matrizen, die Recall-Verluste von ca. 20–25 % sichtbar gemacht haben.

Als alleiniger Plattform-Ingenieur die Fahrzeugarchitektur eines Micromobility-Fahrzeugs konzipiert, ausgelegt und bis zur Produktionsreife entwickelt. Auslegung und Integration von Fahrwerk, Bremse, Lenkung und Antriebsstrang. Analysen zu Fahrzeugkinematik und Fahrdynamik. CAD-Konstruktion, Package und Bauraumoptimierung, Bauteilauslegung mit FEM. Erstellung von Fertigungszeichnungen und Stücklisten. Tools: SolidWorks, ANSYS, Adams.

Objektbasierte Sensorfusion aus Monokamera und 3D-Automotive-Radar zur Verkehrsteilnehmererkennung. Schwerpunkt Objektdetektion: YOLOv8-Training mit Datensatz-Balancing und Augmentierung für höhere Robustheit. Entwicklung von Validierungsmetriken sowie Datenassoziation zwischen Bilddetektionen und Radarclustern. Tracking und Bewegungsprädiktion über EKF-basiertes Track-Management als nächste Ausbaustufe konzipiert. Tech: Python, YOLOv8, OpenCV, Pandas, Matplotlib.

Fahrwerk, Chassis und Fahrdynamik eines Formula-Student-Fahrzeugs; ab 2020 Leitung der Vehicle-Dynamics-Gruppe. Profi-Reifendaten in Querbeschleunigungs- und Rollsteifigkeits-Ziele überführt; entkoppeltes Heave-Roll-System (erstes des Teams, ohne Referenzdesign) und verstellbarer Blade-Stabilisator. Ca. 3 kg Reduktion am bereits leichten Fahrwerkssystem, tragende Bauteile FEM-validiert. Formula Bharat 2020: Gesamtrang 3, Platz 1 Acceleration und Endurance. 2021 als Lead: Platz 3 Engineering Design Event.

Konstruktion und Entwicklung einer SAE-Wettbewerbsfahrzeugplattform verantwortet, insbesondere Chassis und Antriebsstrang. Terminplanung und Koordination der Subsystem-Integration. CAD-Package, Bauraumoptimierung, Bauteil-Spannungssimulationen. Stückliste samt Beschaffung und Abrechnung mit der Universität sowie technische Wettbewerbsdokumentation verantwortet; Fahrzeug im Team aufgebaut. Technische und Sicherheitsabnahme im Debütjahr bestanden, 36. Platz, skalierbare Plattform für Folgegenerationen.