Entwicklung von Agentenselektionsstrategien zur Generierung adversarialer Verkehrsszenarien für das Testen automatisierter Fahrfunktionen

Kontext

Mit dem Fortschritt im Bereich des automatisierten Fahrens steigt auch der Bedarf an zuverlässigen Methoden zur Absicherung solcher Systeme. Ein vielversprechender Ansatz ist der Einsatz adversarialer Verkehrsszenarien – gezielt herausfordernder Situationen, die dazu dienen, Schwachstellen in der Wahrnehmung, Entscheidungsfindung und Steuerung automatisierter Fahrzeuge systematisch aufzudecken. Im Zentrum steht dabei die Frage, wie Verkehrsteilnehmer (Agenten) innerhalb einer Szene so ausgewählt und positioniert werden können, dass daraus sicherheitskritische, jedoch plausible Verkehrssituationen entstehen. Dabei sollen realitätsnahe Verhaltensmuster und eine konsistente Szenarienlogik berücksichtigt werden, um die Aussagekraft der generierten Testszenarien zu maximieren.

Ziele

• Entwicklung einer Methode zur Auswahl von Verkehrsteilnehmern, die zur Erzeugung adversarieller Szenarien in der Simulation geeignet sind
• Definition geeigneter Kriterien zur Agentenauswahl (z. B. räumliche Nähe, Verhaltensmuster)
• Integration der Auswahlmethode in eine Reinforcement-Learning-Trainingsumgebung
• Erzeugung herausfordernder Verkehrsszenarien auf Basis der ausgewählten Agenten
• Vergleich und Evaluation der entwickelten Methode

Voraussetzungen

• Programmierkenntnisse in Python, idealerweise mit Erfahrung in ML-Bibliotheken (z. B. PyTorch)