Thesis: Kapacity‑Aware Adaptive Grid Reduction in V2V‑Kommunikation

Stelle frei: Ab sofort

Beschreibung

— Gestalte die Zukunft mit uns
als Student*in im Rahmen einer Abschlussarbeit zum Thema Kapacity‑Aware Adaptive Grid Reduction in V2V‑Kommunikation
Stundenbasis | Befristet | Karlsruhe | ab sofort

Das erwartet Dich bei uns
Unser Forschungsbereich Technisch Kognitive Systeme (TKS) erforscht kooperatives und autonomes Fahren sowie Sensorfusion für eine sichere und effiziente Mobilität. Die Forschungsfelder umfassen die Entwicklung von Kommunikationstechnologien für vernetztes Fahren und die Implementierung von Algorithmen für autonomes Fahren. Wir arbeiten intensiv an der Kombination von Sensordaten zur Verbesserung der Umgebungswahrnehmung, insbesondere durch kollaborative Wahrnehmung.

- Du ermittelst aus realen und simulierten V2V‑Kanalmodellen die zeitaufgelösten Link‑Qualitätswerte (SNR) und leitest daraus die jeweils erreichbaren Übertragungsraten ab.
- Du integrierst diese Kapazitätsabschätzungen als zusätzliche Knoteneigenschaft in das vorhandene GNN‑basierte Modell, um die Datenmengen pro Fahrzeug kanalspezifisch zu steuern.
- Du entwickelst und implementierst eine „capacity‑awareness“ Loss‑Funktion, die während des Trainings dafür sorgt, dass die geplanten Datenmengen nicht die zur Verfügung stehende Linkrate überschreiten.
- Du integrierst Deinen Ansatz in eine Simulationspipeline, die die resultierenden Nachrichtengrößen den kanalabhängigen Maximalraten gegenüberstellt und daraus Metriken wie Link‑Auslastung und Paketverlustraten berechnet.
- Du evaluierst das erweiterte Modell anhand von Kennzahlen wie mittlerem Durchsatz, Varianz, Frame‑Drop‑Rate und Objekt Detektion Precision unter allen drei Kanalmodellen.

Das bringst Du mit
- Du studierst Elektrotechnik, Nachrichtentechnik, Informatik, Mechatronik oder einen vergleichbaren Studiengang.
- Du verfügst über grundlegende Kenntnisse in drahtlosen Kommunikationskanalmodellen.
- Du hast Erfahrung in Python und mit Machine‑Learning‑Frameworks, idealerweise PyTorch.
- Du bist vertraut mit klassischen Optimierungsverfahren und Verlustfunktionen im Deep‑Learning‑Kontext.
- Du verfügst über erste Erfahrungen mit graphbasierten Netzen.
- Du hast eine selbständige, strukturierte Arbeitsweise und Freude an der Konzeption und Datenauswertung.
- Du verfügst über sehr gute Deutsch‑ und gute Englischkenntnisse.

Was wir Dir bieten
Was das Arbeiten am FZI auszeichnet und was wir Dir bieten, kannst Du unserer Stellenanzeige entnehmen: jobs.fzi.de/1150.