Ragavendran Rajendran

• Szenarien-Mining aus Flottendaten für AEB-Funktionen mittels VLMs und RAG-Pipelines. • Semantische Algorithmen zur Edge-Case-Detektion und „Golden Sample“-Selektion aus Szenariodatenbanken. • Automatisierte Labeling-Workflows basierend auf Kritikalität und Rohsensordaten in der Cloud. Abstimmung mit Funktionsverantwortlichen zur Identifikation von Fehlauslösungen (False Positives).

• Durchführung simulativer Regressionstests mit System-Antriebs-SiL-Anwendungen im PPC-Projekt. • Anwendungsbezogene Weiterentwicklung Python-basierter Auswertungstools für Back-to-Back-Vergleiche. • Automatisierung der Verbrauchsberechnung und Emissionsdarstellung auf Basis von Motorsteuerungsgrößen. • Robustheitsoptimierung der Testläufe und Detailanalyse von Simulationsabweichungen im Abgleich mit realen Messungen.

• Forschung zu Prompt-Engineering-Methoden wie der Kontextoptimierung für VLM-Modelle, mit Fokus auf Vision-Modelle mit kontrastiven Lernmethoden. • Untersuchung und Analyse von VLMs zur Szenariobeschreibung anhand realer Verkehrsdaten sowie Prototyp-Implementierung mit Qwen 2.5-3B. • Entwicklung eines End-to-End-KI-Modells für autonomes Fahren auf ROS2 mittels Transformers, inklusive der Integration und Vorverarbeitung von Bild-, LiDAR- und Diagnosedaten.

• Entwicklung und Validierung von Regelalgorithmen (Momentenregelung, Fehlerdiagnose) für Hybrid-Antriebsstränge von Renault HEV-Steuergeräten mittels modellbasierter Entwicklung (MATLAB/Simulink) und MIL-Validierung. • MiL-Validierung der gelieferten Software mittels Messdaten verschiedener Steuergeräte (MATLAB / Simulink). • Implementierung eines MATLAB-Skripts zur Automatisierung von Software-Deployment-Aufgaben, wodurch die Validierungszeit um 50 % reduziert wurde.

• Modellierung und Simulation von HV-Batterien in Simulink zur Bewertung von Kapazitätsverlusten (Alterung) und Analyse von Drahtbondversagen. • Entwicklung von Algorithmen für passives Balancing (-40% Zeit) und Throttle-Mapping sowie Optimierung der Testparametrisierung via MATLAB Parallel Simulation (-15% Energieverbrauch). • Entwicklung und Validierung digitaler Fahrzeugantriebsmodelle in Simulink anhand von Straßendaten unter Einsatz effizienter Datenverarbeitungsabläufe.

• Beitrag zum 3. Platz des Teams beim Siemens Digital Twin Award, FSG 2022. • Co-Simulation (Simulink & AMESim) sowie MiL-Validierung zur Analyse der aktiven Antriebsmomentverteilung durchgeführt. • ANN-basiertes Ersatzmodell für die thermische Bremsscheibenanalyse mit TensorFlow entwickelt, unter Einsatz eines CNN-Autoencoders zur Bildverbesserung. • Python-GUI zur Fahrzeugdatenverwaltung und Ergebnisvisualisierung zur Steigerung von Benutzerfreundlichkeit und Analyseeffizienz erstellt.

Kursarbeit: Integrierte Sicherheitsassistenzsysteme, Test- und Simulationsmethoden für Fahrzeugsicherheitssysteme, Entwicklungsmethoden für Automobilsoftware