TUM

Redundant End-to-End Planning – Lernbasierte Rückfallebene für einen autonomen Linienbus (m/w/d)

Bayern · Frist: 31.01.2027
TUM Stellenangebote →
Vergütung E 13 TV-L Arbeitszeit Vollzeit Befristung nicht angegeben Frist 31.01.2027
4.759 – 6.765 €
/Monat brutto · Vollzeit · TV-L E13, Stufe 1–6 in Bayern · TV-L-Tabelle ab 1. April 2026
Gehalt individuell berechnen →

Redundant End-to-End Planning – Lernbasierte Rückfallebene für einen autonomen Linienbus (m/w/d) an der Technische Universität München

Modulare Software-Stacks für das autonome Fahren sind transparent und gut absicherbar, stoßen aber in seltenen oder unerwarteten Situationen an ihre Grenzen. Lernbasierte End-to-End-Ansätze versprechen hier eine hohe Generalisierungsfähigkeit und eignen sich als unabhängige, redundante Rückfallebene neben dem Primärsystem. Im Rahmen unseres Vorhabens, einen Linienbus vollautonom (SAE Level 4) auf Münchens Straßen zu bringen, entwickeln wir einen zweistufigen End-to-End-Stack, der aus einer semantischen 3D-Umgebungsrepräsentation direkt Fahrverhalten ableitet. Das Projekt wird im Rahmen des Deutschen Zentrums Mobilität der Zukunft (DZM) gefördert. Gestalte mit uns den ÖPNV von morgen und forsche an spannenden Dissertationsthemen.

Aufgaben

Als Promovierende oder Promovierender verantwortest du die zweite Stufe des End-to-End-Ansatzes: Du entwickelst ein Planungsmodell, das aus einer semantisch segmentierten 3D-Occupancy-Repräsentation und dem rückgeführten Ego-Zustand Fahrtrajektorien erzeugt. Darauf aufbauend untersuchst du, wie sich die Regelung in das Modell integrieren lässt, sodass es direkt Stellgrößen wie Lenkwinkel, Gas, Bremse und Gang ausgibt, und vergleichst beide Varianten systematisch. Für das Training baust du automatisierte Pipelines zur Datensatzgenerierung auf, inklusive synthetischer Daten und Qualitätsprüfung, und erforschst effiziente Retraining-Verfahren, die kurze Iterationszyklen bei geringem Rechen- und Datenaufwand ermöglichen. In simulationsbasierten Benchmarks bewertest du Robustheit, Generalisierung, Missionserfüllung und Sicherheit des Ansatzes. Ein Schwerpunkt liegt auf bustypischen Fahraufgaben wie Haltestellenanfahrt, Anfahren und Spurführung sowie auf sicherem Verhalten, wenn das Primärsystem nur eingeschränkt verfügbar ist. Du integrierst deine Lösungen in unsere Test- und Validierungskette und erprobst sie in Simulation sowie auf unserem Forschungsfahrzeug EDGAR, mit Blick auf den Einsatz im DZM-Bus.

Anforderungen

  • Sehr guter Masterabschluss in Informatik, Robotik, Elektrotechnik, Maschinenbau oder vergleichbar (1,x-Schnitt) an einer anerkannten Universität
  • Kommunikation und Organisation sind für dich selbstverständlich
  • Deutsch und Englisch (mind. B2)
  • Solide Programmierkenntnisse in Python, C++ und ROS2
  • Erfahrung mit Deep Learning für Planung oder Regelung (z. B. Imitation Learning, End-to-End-Driving, Occupancy-Repräsentationen) von Vorteil

Wir bieten

  • Befristete Vollzeitstelle nach TV-L E13 (100 %) für 3 Jahre
  • Möglichkeit zur Promotion und Start-up-Gründung
  • Innovatives Forschungsgebiet mit hoher Relevanz
  • Moderne Arbeitsumgebung und Infrastruktur
  • Flexible Arbeitszeit inkl. Homeoffice
  • Eigenes Budget für Fortbildungen und Tagungen
  • Möglichkeit zum Auslandsaufenthalt
  • Beginn ab sofort möglich

Du arbeitest an einem der aktuell spannendsten Forschungsfelder des autonomen Fahrens und bringst lernbasierte Methoden auf ein reales Fahrzeug im öffentlichen Straßenverkehr. Dir stehen umfangreiche GPU- und Serverinfrastruktur sowie Versuchsfahrzeuge zur Verfügung; du übernimmst von Anfang an Verantwortung, betreust Studienarbeiten und baust dir ein Netzwerk aus Wissenschaft und Industrie auf.

Besonderheiten
Mobiles Arbeiten möglich
Deutschlands Stellenbörse für die Wissenschaft
wissenschaftsstellen.de
TUM – 3 weitere Stellen
← Zurück zur Stellenbörse