George Basem Fouad Eskandar

Autonome Fahrsysteme definieren die Rolle des Autos neu und gestalten die Zukunft des städtischen Nahverkehrs neu. In den letzten Jahren hat der Durchbruch bei der Deep-Learning-Technologie und der Computer-Vision die Forschung im Bereich des autonomen Fahrens vorangetrieben. Obwohl bedeutende Fortschritte erzielt wurden, gibt es noch zahlreiche Hindernisse auf dem Weg zum robusten autonomen Fahren. Deep-Learning-Modelle benötigen große Datensätze für das Training, die nicht immer alle Umgebungsbedingungen beinhalten, die zum Testzeitpunkt anzutreffen sein werden. Unbekannte Wetter- und Lichtverhältnisse sowie unbekannte Straßenlayouts in verschiedenen Ländern können die Leistung von Wahrnehmungssystemen im selbstfahrenden Auto beeinträchtigen.

Zu diesem Zweck hat sich in der Computer Vision eine bedeutende Forschungsrichtung herausgebildet, nämlich die Domänenanpassung (DA), mit der dieses Problem angegangen werden soll. DA nutzt markierte Daten in einer oder mehreren "Quelldomänen", um ein Modell zu trainieren, das eine gute Genauigkeit in einer "Zieldomäne" erreicht. Normalerweise unterscheiden sich die Verteilungen von Quell- und Zielbereich voneinander.

Meine Forschung konzentriert sich auf die Erforschung vieler Techniken der Bereichsanpassung beim autonomen Fahren. Im Einzelnen umfasst meine Forschung die folgenden Themen:

- Entwicklung von selbstüberwachten und unüberwachten Generative Adversarial Networks, die als Datenerweiterungstools für Domain Adaptation verwendet werden können.

- Entwicklung neuer Anwendungen von GANs auf LiDAR-Daten, um ein robusteres Fahren zu ermöglichen. LiDAR ist eine 3D-Laserscan-Sensortechnik, die für das autonome Fahren entscheidend ist.

- Nutzung verschiedener DA-Techniken in den Wahrnehmungssystemen von selbstfahrenden Autos mit besonderem Schwerpunkt auf der Sensorfusion

Weitere Einzelheiten über das Forschungsprojekt, an dem ich arbeite, finden Sie hier: https://www.ki-deltalearning.de/