Multimedia Information Processing Group

Bachelor

Weiterentwicklung des autonomen Fahrens für das Formula Student Team Kiel

Bachelorarbeit/projekt       nicht vergeben

Die Formula Student ist ein internationaler Konstruktionswettbewerb, in dem Studententeams auf der ganzen Welt jährlich einen Rennwagen entwickeln, bauen und auf offiziellen Events fahren. Das Kieler Team Raceyard wird in der Saison 2020/21 zum ersten Mal ein autonomes Fahrzeug entwickeln, welches sich auf durch Pylonen/Cones begrenzten Strecken zurechtfinden und diese möglichst schnell abfahren soll.

Cone detection results
Video-Quelle: https://www.youtube.com/watch?v=ir_uqEYuT84

 

SLAM
Video-Quelle: https://www.youtube.com/watch?v=ir_uqEYuT84

 

Die relevanten Themengebiete lassen sich grob wie folgt gliedern:

1. Verarbeitung von Sensordaten: Das Auto wir mit einer RGB-Kamera und einem Lidar ausgestattet. Mittels dieser Sensoren sollen zunächst die Cones erkannt werden. Dies kann beispielsweise durch Objektdetektion via Deep Learning umgesetzt werden (siehe erstes Video).

2. SLAM: Aus den detektierten Positionen der Cones soll in der ersten Runde eine 2D-Karte der Rennstrecke aufgebaut werden (siehe zweites Video). Zudem muss das Auto in der vorliegenden Map lokalisiert werden um einerseits ein richtiges Zusammensetzen der Karte in der ersten Runde zu gewährleisten und andererseits die Planung der nächsten Steuerungsbefehle zu ermöglichen.

3. Driving: Basierend auf der Karte und Autoposition aus dem SLAM muss hier entschieden werden, wie das Auto reagieren soll. Wie sieht die Ideallinie aus? Mit welcher Geschwindigkeit kann ich diese befahren? Welche Steuerungsbefehle müssen gegeben werden, um die Zielgeschwindigkeit zu erreichen? Auch hierfür sind Ansätze aus den Bereichen Deep/Reinforcement Learning denkbar.

Die genannten Themengebiete wurden im SS19 bereits anhand einer vorliegenden Simulation des Rennwagens in ROS grundlegend bearbeitet und unser Ziel für das WS19/20 ist die Erweiterung und Perfektionierung dieser Arbeit bis hin zum Einsatz am realen Rennwagen.
 

Voraussetzungen: Je nach Themengebiet sind Erfahrungen im Bereich Deep Learning und grundlegende Programmierkenntnisse in C++ und Python hilfreich

Ansprechpartner:Johannes Brünger, Lars Schmarje

 


 

Klassifikation von Nanopartikeln

Bachelorarbeit       nicht vergeben

Nanopartikel mit speziellen Eigenschaften sind eine vielversprechende Lösung für bisher ungelöste Probleme u.a. in der therapeutischen Medizin. Zur Unterstützung der Materialwissenschaft werden Methoden der künstlichen Intelligenz eingesetzt, um die Herstellung dieser Nanopartikeln besser kontrollieren zu können.

Die Häufigkeitsverteilung von Nanopartikeln ist nur schwer manuell auszuwerten. In dieser Arbeit soll ein automatisches Verfahren basierend neuronalen Netzen mit Tensorflow erstellt und untersucht werden. Die Herausforderung liegt in den unbalancierten und verrauschten Trainingsdaten. Als Vorarbeit liegt bereits ein Verfahren vor, dass als Grundlage dienen kann.

Voraussetzungen: Erfahrungen oder großes Interesse im Bereich Deep Learning und grundlegende Programmierkenntnisse in Python sind hilfreich.

Betreut von:Claudius Zelenka


 

Interaktive Videoinstallation

Bachelorarbeit/projekt       nicht vergeben

In diesem Projekt geht es darum, eine Monitorwand mittels verschiedener Sensoren derart zu erweitern, dass vorbeigehende Personen mit den angezeigten Inhalten interagieren können. Dieses Video zeigt einige Beispiele. Konkret soll ein Glühwürmchen-Schwarm realisiert werden, welcher sich abhängig von den detektierten Menschen bewegt, ähnlich wie in dieser Projektbeschreibung für Fische beschrieben. Aufgaben in diesem Projekt sind
- das Verarbeiten der Sensordaten in Echtzeit
- die Animation der 3D-Objekte auf Basis der Sensordaten
- das Rendering der 3D-Szene über mehrere Monitore

Voraussetzungen: Grundlegende Kenntnisse der Bildverarbeitung

Ansprechpartner: Henning Schnor

 

 

 


 

Geschwindigkeitserkennung autonomes Fahren

Bachelorarbeit       nicht vergeben

Der Hacker George Hotz will mit seinem Start-up comma.ai autonomes Fahren für jedermann ermöglichen. Dazu entwickelt er Hard- und Software, welche an den Datenbus (CAN) von verschiedene Auto-Modellen angebunden werden kann, um teilautonomes Fahren zu ermöglichen.

Challenge-Video

Als Challenge für neue Mitarbeiter hat er ein Video veröffentlicht, welches Aufnahmen aus der comma.ai-Dashcam zeigt. Allein aus diesem Video soll nun mit einem neuronalen Netz die Geschwindigkeit des Fahrzeugs ermittelt werden. In dieser Bachelorarbeit soll sich der/die Studierende dieser Aufgabe stellen.

Voraussetzungen:Grundlegende Erfahrungen mit neuronalen Netzen und deren Programmierung (Keras, Tensorflow)

Ansprechpartner:Johannes Brünger

 


 

Aufbau eines Augmented Reality Tisches

Bachelorprojekt       vergeben

In diesem Projekt sollen ein Beamer, eine Kinect v2 und eine Sandbox zu einem interaktiven System kombiniert werden wie es im nachfolgenden Video dargestellt wird.

Aufgaben in diesem Projekt sind u.a.:
- Kalibrierung des Systems aus Kinect und Beamer wie z.B. hier dargestellt
- Implementierung einer projizierbaren GUI inklusive Handerkennung in den Kinectbildern, um Interaktionen mit dieser GUI zu erlauben (Beispiel)
- Erstellen von Inhalten für dieses System. Dies ist nicht auf das bloße Einfärben des Sands beschränkt, sondern kann auch darüber hinaus gehen (Beispiel1, Beispiel2)

Voraussetzungen: Programmierkenntnisse in C++, ggf. OpenGL, Grundlagen der Bildverarbeitung

Ansprechpartner: Tim Michels, Stefan Reinhold, Arne Petersen

 


 

Novelty Detection: Clustering von CNN-Features

Bachelorarbeit       nicht vergeben

Während des Trainings lernen Convolutional Neural Networks (CNNs) Features, die der Unterscheidung der Klassen im Trainingsdatensatz dienen. Allerdings können diese einmal gelernten Features auch zur Unterscheidung ganz anderer Klassen auf anderen Datensätzen genutzt werden. Ziel dieser Arbeit ist es, Klassen eines ungelabelten Datensatzes zu ermitteln. Hierzu sollen existierende Clustering-Algorithmen hinsichtlich ihrer Eignung verglichen werden.

Cluster-Demo

 

 

 

 

 

 

 

 

 

Die Merkmale des zu bearbeitenden Datensatzes wurden zuvor mittels eines CNNs aus vorhandenen Bildern extrahiert. Die Dimensionalität ist entsprechend hoch (d ~ 1k). Es soll untersucht werden, welche existierenden exakten und approximativen Clustering-Algorithmen und Implementierungen sich für den vorliegenden Datensatz eignen (hinsichtlich Laufzeit, Speicherverbrauch und Genauigkeit) und inwiefern sie die Datenpunkte entsprechend der bekannten Kategorien gruppieren. Möglicherweise lässt sich zeigen, dass sich einzelne Kategorien weiter unterteilen lassen, oder dass zusätzliche Kategorien existieren.

Ziel: Existierende Clustering-Algorithmen werden hinsichtlich ihrer Eignung im vorliegenden Fall verglichen.

Voraussetzungen: Machine Learning, Computergrafik, Programmierkenntnisse

betreut von: Simon-Martin Schröder

 


 

Automatische Detektion von Schweinen in Videobildern anhand von Ellipse Fitting

Bachelorarbeit       nicht vergeben

In dieser Bachelorarbeit soll untersucht werden, inwieweit es möglich ist, Schweine in Videobildern automatisch zu detektieren.
In der Verhaltensforschung von Tieren werden oft klassische Videoüberwachungssysteme eingesetzt. Um auch die Auswertung zum Teil automatisieren zu können, müssen die Tiere individuell segmentiert werden.
In dieser Arbeit soll ein bestehendes Verfahren zum Ellipse Fitting untersucht und auf echten Videos aus einem Versuchsstall angewandt werden, um die Tiere zu identifizieren.

Grauwert-Bild
Grauwert-Bild
Segmentierung
Segmentierung
Gefundene Tiere
Gefundene Tiere


Schlagworte: Segmentation, Ellipse Fitting, RANSAC

betreut von: Johannes Brünger

 


 

Tracking von Schweinen basierend auf Graph-Algorithmen

Bachelorarbeit       nicht vergeben

In dieser Bachelorarbeit sollen die von einem Detektor erkannten Positionen individuellen Schweinen zugeordnet werden. Dafür werden anhand von Position- und Farb-Daten Ähnlichkeitsmaße definiert und dann mit Algorithmen der Graphentheorie die Zugehörigkeit zu den Trackingtargets aufgelöst.

Schlagworte: Graph-Algorithmen, Tracklets

betreut von: Johannes Brünger