Ian Melwil Dsouza

Sensor Fusion im Bereich Fahrerassistenzsysteme

• Entwicklung eines Deep Learning-Algorithmus zur Objekterkennung mit LiDAR-Sensor unter Verwendung eines Cross-Modal-Trainingsdatenansatzes • Sensorfusion der erkannten Objekte von LiDAR- und Kamerasensoren, um falsch positive Vorhersagen zu reduzieren und die Machine Perception zu verbessern • Erprobung und Einsatz von Modellen im fka-Testfahrzeug mit ROS Software: Python, C++, Keras, ROS

• Training verschiedener Architekturen der semantischen Segmentierung (neuronales Netzwerk) zur Optimierung der Machine Perception in verschiedenen Umgebungen auf Basis des autonomen Cityscapes-Datensatzes • Anwendung eines neuen Ansatzes „Stability Based Convolution Filter Ranking und Pruning“ auf trainierte Netzwerke, um instabile Convolution-Filter zu reduzieren sowie das Deep Learning-Modell zu komprimieren • Software: Python, PyTorch, Keras, Git, OpenCV, Linux

• Unterschiedliche Architekturen des Convolutional Neural Network mit Transfer Learning wurden zur Lokalisierung von Objekten in Bildsequenzen trainiert und hinsichtlich der Leistungsfähigkeit bewertet • Einsatz und Test des Machine Learning Algorithmus auf Halcon Software • Software: Python, Keras, OpenCV, Halcon, Linux

• Entwicklung eines Rahmenwerkes zur Identifizierung von Trajektorien an Kreuzungen auf Basis der Videodaten von Verkehrsmasten • Einsatz von Bildverarbeitungsalgorithmen für die Verfolgung von Fahrzeugen, Fußgängern und Radfahrern an Kreuzungen zur Konfliktvermeidung • Software: Python, OpenCV

Thema: Erstellen von S-Funktionen mathematischer Gleichungen aus C-Sprachcodes in einer MATLAB-Simulink-Umgebung Software: MATLAB

Hauptfächer: Integrated Safety and Driver Assistance Systems, Automotive Radar Systems, Sensor Technology and Signal Processing, Machine Learning

Hauptfächer: Automotive systems, Finite Element Method, Control Engineering, Mechatronics.