Generation sicherheitskritischer Szenarien mittels Multi-Agent Reinforcement Learning

Kontext

Das Forschungsgebiet des maschinellen Lernens erlebt durch die Hardwarebeschleunigung eine Renaissance. Ein Anwendungsfall im Bereich des szenario-basierten Testens ist die Identifikation und Parametrisierung relevanter Szenarien. Technische Umsetzungen von Ansätzen des szenario-basierten Testens greifen dabei häufig auf Gruppen dieser Parameter zurück, die zeit- oder arbeitsaufwändig individuell angepasst werden. Reinforcement Learning Verfahren bieten hier die Möglichkeit, solche Parametrisierungen auch in komplexen Umgebungen durch Interaktion zu erlernen.  Basierend auf State-of-the-Art Reinforcement Learning Algorithmen soll in dieser Arbeit ein Ansatz untersucht und ein Verfahren entwickelt werden, um sicherheitskritische Szenarien mit mehreren Agenten zu generieren.

Aufgaben

• Einarbeitung in die Theorie des Multi-Agent Reinforcement Learning
• Literaturübersicht zur simulativen Generation von Szenarien
• Umsetzung ausgewählter Ansätze in Python unter Verwendung von PyTorch für RL-Algorithmen
• Untersuchung, Vergleich und Aufbereitung der Ergebnisse sowie Dokumentation

Voraussetzungen

• Begeisterung für das Gebiet des maschinellen Lernens
• Grundkenntnisse in Python oder vergleichbaren Programmiersprachen
• Selbstständiges Denken und Arbeiten
• Sehr gute Deutsch- oder Englischkenntnisse
• Motivation, Leistungsbereitschaft und Engagement