Ein zentrales Ziel unseres Instituts ist die Entwicklung innovativer Konzepte, Verfahren und Technologien zur Stärkung der Resilienz terrestrischer Infrastrukturen. In der Abteilung „Digitale Zwillinge für Infrastrukturen“ nutzen wir Digitale Zwillinge, um kritische Infrastrukturen zu überwachen, zu bewerten und deren Resilienz kontinuierlich zu verbessern. Im Fokus stehen insbesondere die automatisierte Generierung Digitaler Zwillinge, simulationsbasierte VR-Anwendungen zur Schulung von Einsatzkräften und Analyse von Bedrohungsszenarien, sowie die cloudbasierte Bereitstellung Digitaler Zwillinge für einen robusten und ortsunabhängigen Einsatz in Krisensituationen.

Das erwartet dich

Moderne Systeme zur Drohnendetektion basieren auf der Auswertung unterschiedlichster Sensordaten – darunter Radar, RGB-Kameras, Infrarot (IR), akustische Signale und Funkfrequenzen – wobei jeder Sensortyp spezifische Stärken und Schwächen aufweist. Während RGB-Kameras in Kombination mit modernen Deep-Learning-Verfahren eine kosteneffiziente Lösung darstellen, stoßen sie bei schlechten Lichtverhältnissen an ihre Grenzen. IR-Kameras hingegen erfassen Wärmestrahlung unabhängig von den Lichtverhältnissen und ermöglichen dadurch eine zuverlässige Drohnenerkennung auch bei Dunkelheit. Damit stellen IR-Sensoren eine ideale Ergänzung zu RGB-basierten Detektionssystemen dar. Wie bei RGB-Daten erfolgt auch die Verarbeitung von IR-Daten in der Regel mithilfe von Deep-Learning-Modellen. Damit diese zuverlässig relevante Merkmale extrahieren und Objekte sicher detektieren können, benötigen sie umfangreiche, vielfältige und präzise annotierte Trainingsdaten. Da reale IR-Daten jedoch nur begrenzt verfügbar sind und ihre manuelle Annotation mit erheblichem Aufwand und hohen Kosten verbunden ist, bietet der Einsatz synthetisch generierter Daten ein vielversprechendes Potenzial für das Training IR-basierter Drohnenerkennungssysteme. Durch den gezielten Einsatz synthetischer Daten lassen sich nicht nur große, variantenreiche Datensätze erzeugen, sondern auch spezifische Szenarien simulieren, die in realen Aufnahmen nur schwer erfassbar wären.

Deine Aufgaben

Ziel der Abschlussarbeit ist es, das Potenzial synthetischer IR-Daten für die Deep-Learning-basierte Drohnenerkennung zu untersuchen. Dies umfasst:

• Einsatz von Game-Engine-basierten Simulationen zur Generierung vielfältiger, qualitativ hochwertiger IR-Daten unter realitätsnahen Umweltbedingungen.
• Auswahl und Training moderner Deep-Learning-Modelle zur Drohnenerkennung auf Basis (synthetischer) IR-Daten.
• Detaillierte Bewertung der Praxistauglichkeit der Daten mit Fokus auf Stärken, mögliche Vorteile und bestehende Einschränkungen.

Das bringst Du mit

• laufendes Masterstudium in Informatik, Mathematik, Optotechnik oder einem vergleichbaren Studiengang
• Erfahrung mit Unreal oder Unity (oder vergleichbaren Tools), Kenntnisse in Microsoft AirSim / Colosseum von Vorteil
• Grundkenntnisse im Bereich Deep Learning, insbesondere in bildbasierter Objekterkennung
• Grundlegende Python-Kenntnisse (idealerweise im Kontext von Deep-Learning-Frameworks wie PyTorch oder TensorFlow)

Wir freuen uns darauf, dich kennenzulernen!

Fragen zu dieser Position (Kennziffer 2398) beantwortet dir gerne:

Tobias Koch 
Tel.: +49 2241 20148 55