Wir freuen uns sehr über die Zusammenarbeit mit den Studenten und wir möchten euch kurz vorstellen, in welchen Themengebieten wir uns besonders über eure Unterstützung freuen würden. Kommt gerne mit euren Ideen und Vorstellungen vorbei und wir suchen gemeinsam nach Möglichkeiten, wie ihr eure Abschlussarbeiten, Seminararbeiten, Forschungs- und Projektmodule bei uns erledigen könnt. Für Fragen stehen wir euch jederzeit zur Verfügung.
Visualsierung von Simulationsergebnissen in Julia
In Computational Fluid Dynamic ist es notwendig die Vielzahl von Daten zu visualisieren, um alle relevanten Ergebnisse aus den Daten zu extrahieren. Das gängigste Dateiformat ist hierbei VTK. Den Graph Network-based simulators fehlt dieses wichtige und mächtige Tool jedoch noch. Dein Auftrag, wenn du dich entschließt ihn anzunehmen, lautet:
Mögliches Vorgehen:
- Untersuchung der bereits vorhandenen Implementierungen von VTK-Writern in Julia
- Einarbeitung in das Julia-Package GNS.jl
- Auseinandersetzen mit dem .vtk Dateiformat
- Implementierung eines eigenen VTK-Writers um Simulationsergebnisse mit einem passenden Tool (z.B. Paraview) zu visualisieren
Voraussetzungen:
- Keine
- Erste Erfahrungen mit Julia oder Python hilfreich
- Interesse an Partikelsimulationen hilfreich
Evaluation neuer Use-Cases mit Graph Neural Networks
Unser Softwarepaket MeshGraphNets.jl wurde bereits erfolgreich auf verschiedene Use-Cases (z.B. eine Fahrzeugkabine oder eine hydraulische Bremse) innerhalb unserer Projekte angewendet. Hier enden jedoch die Möglichkeiten für die Anwendung nicht, da viele weitere Domänen ähnliche Problemstellungen besitzen.
Mögliche Anwendungsfälle:
- Medizin (z.B. kardiovasuläres System)
- Energienetze (z.B. Windkraftanlagen)
- …
Weiterentwicklung unserer Softwarepakete für Graph Neural Networks
Die Programmiersprache Julia wächst aktuell stark in ihrer Anwendung sowohl in der Forschung als auch in der Industrie bei großen Unternehmen wie beispielsweise ASML und Bosch. Dabei arbeitet unser Lehrstuhl aktiv an der (Weiter-)entwicklung unser aktuellen Softwarepakete für Julia, besonders im Bereich Graph Neural Networks. Dabei gibt es immer aktuelle Themen die in Angriff genommen werden können um das Paket und die Sprache voranzutreiben.
Dies beinhaltet:
- Entwicklung neuer Funktionen der Pakete
- Mitwirken an Core-Paketen von Julia
- Instandhaltung der aktuellen Software
Virtuelle Lerndaten für die soziale Mensch-Roboter-Interaktion - Modellierung und Simulation von Arbeitsprozessen mit Menschen mit Behinderung
In meiner Forschung beschäftige ich mich mit der Vorhersage von menschlichen Fähigkeiten, um damit Robotervrhaltne zu planen und insbesondere Menschen mit Behinderung in ihrem Arbeitsalltag zu unterstützen. Dabei werden Methoden aus der Arbeitsmedizin und dem Maschinellen Lernen kombiniert. Ziel ist, dass eines Tages Personen egal welcher körperlichen Fähigkeiten und Voraussetzungen gemeinsam am Arbeitsalltag teilhaben können.
In dieser Arbeit sollen aufbauend auf einer bestehenden Simulation in OpenSim neue Arbeitsprozesse und Behinderungskomplexe simuliert werden. Der Fokus der Arbeit kann flexibel gelegt werden auf die Bereiche Modellierung oder Solver/Simulation. Die Simulation dient der Generierung künstlicher Lerndaten für die späteren Lernmethoden.
Was wir bieten
- Einblicke in die Mensch-Roboter-Interaktion und medizinisch korrekte Simulation von Menschen
- Lockere Arbeitsathmosphäre
- Flexible Betreuung
- Prüstandsarbeit/Realvalidierung möglich
Was du mitbringst
- Studium der Ingenieursinformatik, Medizininformatik, Informatik, oder ähnliche
- Interesse an Mensch-Roboter-Interaktion und sozialer Teilhabe
- Vorwissen in Simulation wünschenswert
Seminararbeit zur Falsifizierung und virtuellen Validierung autonomer Fahrzeuge
Im Rahmen dieser Seminararbeit sollen Sie einen umfassenden Überblick über moderne Methoden zur Falsifizierung und virtuellen Validierung von autonomen Fahrzeugen erarbeiten. Der besondere Fokus liegt dabei auf der Anwendung von Deep Reinforcement Learning (DRL) in diesem Kontext.
Beginnen Sie Ihre Arbeit mit einer Einführung in die Herausforderungen, die bei der Validierung autonomer Fahrzeuge auftreten. Geben Sie anschließend einen Überblick über gängige Methoden der Falsifizierung und virtuellen Validierung, bevor Sie die Grundlagen des Deep Reinforcement Learning im Zusammenhang mit autonomen Fahrzeugen erläutern. Ein zentraler Aspekt Ihrer Arbeit sollte die Anwendung von DRL zur Generierung kritischer Testszenarien sein. Analysieren Sie dabei die Vor- und Nachteile von DRL-basierten Validierungsmethoden und gehen Sie auf die Herausforderungen bei der Erstellung realistischer Simulationsumgebungen ein.
Vergleichen Sie verschiedene DRL-Ansätze zur Aufdeckung von Schwachstellen in autonomen Fahrsystemen und diskutieren Sie die Übertragbarkeit von virtuellen Testergebnissen auf reale Fahrsituationen. Erörtern Sie, wie DRL zur Verbesserung der Robustheit und Sicherheit autonomer Fahrzeuge beitragen kann. Schließen Sie Ihre Arbeit mit einer Diskussion der Grenzen virtueller Validierungsmethoden und einem Ausblick auf zukünftige Forschungsrichtungen in diesem Bereich ab.