Entwicklung robuster ML-Algorithmen für Intent-/Gestenerkennung auf Basis von fahrzeugseitiger Sensordaten (z. B. UWB-Radar), inklusive Echtzeit-Inferenz auf Edge-ECUs
End-to-End-Ownership der ML-Pipeline: Datenerfassung am Prototyp-Fahrzeug, Ground-Truth/Labeling, Feature-Engineering, Modelltraining (PyTorch), Experiment-Tracking (MLflow), Modellversionierung und sicherstellen der Reproduzierbarkeit
Edge-Deployment: Quantisierung/Optimierung (z. B. TorchScript/ONNX) zur Einhaltung strenger Latenz- und Ressourcenbudgets unter realen Bedingungen
Aufbau und Betrieb von MLOps: CI/CD (z. B. Jenkins), Containerisierung (Docker/Dev Containers), Testautomatisierung (Unit-, Integrations- und On-Car-Validierung), Modell-Monitoring und -Drift
Definition von Daten- und Testkampagnen, Fehleranalysen und Robustheitsbetrachtungen
Erstellung technischer Dokumentationen (Modell- und Datenkarten, Evaluationsberichte, KPI-Tracking) sowie Präsentation der Ergebnisse