Sie sind auf der Suche nach einer Abschlussarbeit oder nach einer Projektarbeit?
Bitte zögern Sie nicht mich anzusprechen sollten Sie auf unserer Webseite keine für Sie passenden Themen finden. Gerne können Sie auch zu meinen Sprechzeiten vorbeischauen oder eine Email an bernhard.blieninger[at]tum.de oder bernhard.blieninger[at]cs.tum.edu schicken.
Ausgeschriebene Stellen und Abschlussarbeiten
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:
Finden geeigneter Taskparameter zur Abdeckung eines möglich großen Taskspektrums
Erstellen der Tasks mit C OBRA für FreeRTOS
Anbindung der Taskgeneratorsoftware an FreeRTOS
Darstellung der gewonnen Rohdaten mit Hilfe der Visualisierungssoftware Grafana
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)
Entwicklung eines echtzeitfähigen Container-Management-Systems für das Mobile Edge Computing (MEC) am Beispiel automotiver Auslagerungszenarien, 07/2021
Hardware-in-the-Loop Testsetup eines generalistischen Ansatzes zur Schedulabilityanalyse basierend auf maschinellem Lernen, Masterarbeit, 02/2021
2020:
Toolchain zur dynamischen Migrationserkennung, -planung und -durchführung zur Laufzeit mit Hilfe von Machine Learning basierten Ansätzen auf embedded Hardware, Masterarbeit, 09/2020