Aktuelles

BA/IDP: Generierung von Trainingsdaten für das maschinelle Lernen im automotiven Umfeld mit FreeRTOS und EDF Schedulern

Überblick: In modernen Autos laufen heute hunderte von kleinen Applikationen, die die Fahrtüchtigkeit mit Hilfe von Sensorik und Steuerungslogik sicherstellen. Dabei sind an diese Applikationen spezielle Anforderungen gestellt im Bezug auf die Echtzeitfähigkeit und die Ausfallsicherheit. Um diese beiden grundlegenden Bedingungen an die Software sicher zu stellen werden aufwändige mathematische Berechnungen zur Ermittlung der Ausführbarkeit der Tasks ausgeführt, zudem muss das fertige Produkt in Feldtests die Seltenheit von auftretenden Fehlern unter Beweis stellen. Da der Trend hin zu einer Konsolidierung der Softwarebausteine auf nur noch wenige, aber dafür leistungsstarke, Hardware geht, hat ein Ausfall dieser oder ein gegenseitiges Blockieren der Softwarebausteine weitreichende Folgen. Um diesen, sich verstärkenden, Problemen entgegen zu treten muss die sichere und effiziente Ausführung der einzelnen Tasks gewährleistet sein. Da dies aufgrund der immer größer und komplexer werdenden Codebasis in Fahrzeugen alleine durch mathematische und plattformspezifische Ansätze nicht mehr bewältigt werden kann, wird untersucht, ob sich KI-gestützte Ansätze, wie z.B. maschinelles Lernen eignen. Maschinelles Lernen wiederrum benötigt einen fundierten und verlässlichen Datensatz als Grundstock, welcher in dieser Arbeit erstellt werden soll.

Ziel Ihrer Arbeit:

Ziel dieser Arbeit ist es, die schon existierende Datengenerator-Software aus dem Forschungsprojekt MaLSAMi auf embedded Boards mit dem Betriebssystem FreeRTOS anzupassen. Dabei soll zur Taskgenerierung das COBRA Framework verwendet werden und die gewonnen Daten soweit vorbereitet werden, dass sie zur Auswertung in schon vorhandene Schedulability Analysen eingebunden werden können.


Einzelne Arbeitspakete:

 

  1. Finden geeigneter Taskparameter zur Abdeckung eines möglich großen Taskspektrums
  2. Erstellen der Tasks mit C OBRA für FreeRTOS
  3. Anbindung der Taskgeneratorsoftware an FreeRTOS
  4. Darstellung der gewonnen Rohdaten mit Hilfe der Visualisierungssoftware Grafana
  5. Aufbereiten der gewonnenen Daten für eine Verarbeitung im Machine Learning

Ihr Profil:

 

  • Kenntnisse in C , C ++ sowie Python
  • Selbstständiges und wissenschaftlich fundiertes Arbeiten


Vorlesungsvorkenntnisse:

 

  • Einführung in die Rechnerarchitektur (ERA)
  • Grundlagen - Betriebssysteme und Systemsoftware (IN0009) /oder/ Betriebssysteme und hardwarenahe P rogrammierung für Games (IN0034)
  • [optional] Betriebssysteme - L4-Mikrokerne (IN0012, IN2106, IN4258)

 

Ich freue mich über Ihre Bewerbungen.

Kontakt:

Bernhard Blieninger

bernhard.blieninger@tum.de