M. Sc. Joshua Ransiek
- ESS/Wissenschaftlicher Mitarbeiter
- Gruppe: Prof. Sax
- Tel.: +49 721 9654 174
- Ransiek ∂does-not-exist.fzi de
- www.fzi.de/team/joshua-ransiek/
Forschungszentrum Informatik (FZI)
Haid- und Neu-Str. 10 - 14
76131 Karlsruhe
Generierung sicherheitskritischer Szenarien
(Teil-)automatisierte Fahrfunktionen haben sich in den letzten Jahren kontinuierlich weiterentwickelt. Eine Herausforderung, welche den flächendeckenden Einsatz neuer Fahrfunktionen verzögert, ist die Sicherheitsevaluation dieser Systeme. Bestehende Fahrfunktionen werden in der Regel anhand von real aufgezeichneten Szenarien evaluiert. Da sicherheitskritische Szenarien in Realdaten nur selten vorhanden sind, sind Methoden zur künstlichen Generierung von Szenarien entscheidend, um mögliche Sicherheitsrisiken zu messen und zu minimieren. Daher werden am FZI/ITIV verschiedene Methoden zur Generierung sicherheitskritische Szenarien erforscht, um die Absicherung neuartiger Fahrfunktionen voranzutreiben.
Software Tests mit Reinforcement Learning
Das Testen von Software ist ein wichtiger Bestandteil des modernen Entwicklungsprozesses. Tests spielen insbesondere dort eine wichtige Rolle, wo Fehler zu Sicherheitsproblemen oder potentiell gefährlichen Situationen führen können. Der zunehmend steigende Funktionsumfang von Software erfordert effiziente, automatisierte Testverfahren. Reinforcement Learning erlaubt aufgrund seiner Struktur ein iteratives Testen von Software und das Auffinden von Fehlern, die eine bestimmte Abfolgen von Entscheidungen erfordern. Am ITIV&FZI forschen wir an neuen Reinforcement Learning Ansätzen, die auf effizientes Testen von Software und Auffinden von Anomalien ausgelegt sind.
Bewertung von Wahrnehmungsfunktionen
Im Kontext des automatisierten Fahrens profitieren assistierende und automatisierte Fahrfunktionen von einer genauen Kenntnis der Umgebung. Verschiedene Algorithmen nutzen Umgebungsinformationen, um z. B. Routen, Manöver und Trajektorien zu planen und auszuführen. Der Ausfall von Umgebungsinformationen oder Anomalien in den Umgebungssignalen können hierbei zu unvorhersehbarem Fahrzeugverhalten führen. Aus diesem Grund wird am FZI/ITIV an der Entwicklung von Bewertungsmethoden geforscht, die Aussagen über die Genauigkeit und Robustheit realer Wahrnehmungsfunktionen erlauben.
| Titel | Typ | Datum |
|---|---|---|
| Evaluation von State-of-the-Art Spurdetektionsalgorithmen für hochautomatisierte Fahrzeuge | Masterarbeit | ab 07 / 2023 |
| Generation sicherheitskritischer Szenarien mittels Multi-Agent Reinforcement Learning | Masterarbeit | ab 07 / 2023 |
| Adversarial Reinforcement Learning für sicherheitskritische Szenarien | Masterarbeit | ab 07 / 2023 |