Konzeption, Entwicklung und Betrieb einer hoch-skalierbaren Big Data Analytics Plattform für die Entwicklung ADAS und autonomes Fahren.
Auswahl und Installation der geeigneten Technologien:

• Hadoop (Cloudera, MapR) als verteiltes Dateisystem und Analyse Plattform 
• TensorFlow für Training, Evaluierung und Testing von Deep Learning Algorithmen
• Apache Spark für die parallele Verarbeitung von Sensordaten und Feature Extraktion für das Machine Learning
• Apache Airflow als Workflow Engine
• HUE für den einfachen Zugriff auf die Daten und Konfiguration
• Jupyther Notebooks für Python, Scala und Anaconda für Data Science
• HBase für die Speicherung von Verarbeitung von strukturierten Daten
• Elastic Search für die schnelle Suche in bereits verarbeiteten Daten
• Zookeeper als Koordinator der Platttform
• Kubenetes und Docker für die Orchestrierung der Plattform mit Helm Skripte
• Ansible für das automatische Provisionieren
• CI/CD Pipeline für einen Deployment
• NVIDIA Docker Images für den Zugriff auf die Tesla V100 Deep Learning GPUs
• Gitlab für das Source Code Repository mit Docker Registry
• DELL EMC Cluster

Entwicklung weiterer Komponenten

• Spark Datasource v2 Reader und HadoopInputFormatter für das Einlesen von ROSbags v2 ohne Konvertierung
• Entwicklung eines FUSE Dateisystems für ROSbags zum direkten Datenzugriff
• Entwicklung von Web UIs für die Suche in Fahrszenarien

Entwicklung eines datengetriebenen Entwicklungsprozesses im Systems Engineering

• Closed-Feedback-Loop Prozess für schnelles Feedback vom Erprobungsträger bis zur Datenplattform
• Kompatibel zum SOTIF Standard, ISO/PAS 21448
• Vergleichsanalyse zu ISO 26262 zur funktionalen Sicherheit

Projektergebnisse

• Mehrfache Beschleunigung der Entwicklungsgeschwindkeit (Ende-zu-Ende)
• Kostenreduktion der Speichertechnologie durch konvertierungsfreie Datenhaltung und Analyse
• Erhöhung der Deep Learning Model Accuracy

Konzeption, Aufbau und Entwicklung eines Erprobungsträgers für die Datenaufzeichnung und Deep Learning Algorithmen Evalierung im Bereich ADAS und autonomen Fahren auf Basis vom Robot Operating System (ROS).
Auswahl und Installation der geeigneten Technologien:

• Robot Operating System
• ROSbag für die Aufzeichnung der Sensordaten
• NVIDIA für die Ausführung von Deep Learning Algorithmen
• Ubuntu als Betriebssystem
• ROS-Node zur Dekodierung der CAN/K-Matrix Botschaften
• Embedded Architektur

Auswahl der Hardware Kompontenten

• Velodyne Lidar VLP-16 und VLP-32
• Flir Kameras PoE
• Novatel GPS/IMU
• Industrie PC
• SSD Stroage Backplane
• CAN-Bus Gateway MQB Interface 

Entwicklung eines datengetriebenen Entwicklungsprozesses im Systems Engineering

• Closed-Feedback-Loop Prozess für schnelles Feedback vom Erprobungsträger bis zur Datenplattform
• Kompatibel zum SOTIF Standard, ISO/PAS 21448
• Vergleichsanalyse zu ISO 26262 zur funktionalen Sicherheit

Projektergebnisse

• Modulares System welches Plug&Play in Erprobungsfahrzeuge installiert werden kann
• Beschleunigung der Entwicklung durch Ende-zu-Ende Datenaufzeichnung und Analyse Pipeline

Konzeption, Aufbau und Entwicklung eines Erprobungsträgers für die Datenaufzeichnung und Deep Learning Algorithmen Evalierung im Bereich ADAS und autonomen Fahren auf Basis vom Robot Operating System (ROS).
Auswahl und Installation der geeigneten Technologien:

• Robot Operating System
• ROSbag für die Aufzeichnung der Sensordaten
• NVIDIA für die Ausführung von Deep Learning Algorithmen
• Ubuntu als Betriebssystem
• ROS-Node zur Dekodierung der CAN/K-Matrix Botschaften
• Embedded Architektur

Auswahl der Hardware Kompontenten

• Velodyne Lidar VLP-16 und VLP-32
• Flir Kameras PoE
• Novatel GPS/IMU
• Industrie PC
• SSD Stroage Backplane
• CAN-Bus Gateway MQB Interface 

Entwicklung eines datengetriebenen Entwicklungsprozesses im Systems Engineering

• Closed-Feedback-Loop Prozess für schnelles Feedback vom Erprobungsträger bis zur Datenplattform
• Kompatibel zum SOTIF Standard, ISO/PAS 21448
• Vergleichsanalyse zu ISO 26262 zur funktionalen Sicherheit

Projektergebnisse

• Modulares System welches Plug&Play in Erprobungsfahrzeuge installiert werden kann
• Beschleunigung der Entwicklung durch Ende-zu-Ende Datenaufzeichnung und Analyse Pipeline

Konzeption, Entwicklung und Betrieb einer Big Data Analytics Platfform für Predictive Maintenance von Militärflugzeugen (NATO Restricted Classification).
Auswahl und Installation der geeigneten Technologien:

• Hadoop (Cloudera) als verteiltes Dateisystem und Analyse Plattform 
• Apache Spark für die parallele Verarbeitung von Flugzeugdaten
• HUE für den einfachen Zugriff auf die Daten und Konfiguration
• Jupyther Notebooks für Python, Scala und Anaconda für Data Science
• Zookeeper als Koordinator der Platttform
• Ansible für das automatische Provisionieren
• CI/CD Pipeline für einen Deployment
• Bewertung und Umsetzung einzelner Use Case auf Palantir Gotham und Foundry
• Umsetzung von einzelnen Dashboards in Palantir Slate

Technische Projektleitung und Data Science

• Beschafftung der Datenset von unterschiedlichen Stakeholdern
• Abstimmung mit Data Custodian und Data Steward im Governance Modell
• Abstimmung des Projektteams
• Data Science Workshops mit Domainexperten zur Analysefragestellungen
• Ingest der Daten in das Analyse Cluster
• Data Cleansing und Datenvorbereitung
• Analyse und Modellierung von unterschiedlichen Use Cases aus dem Fachbereich
• Darstellung der Analyse Ergebnisse in Charts und Plots zur offenen Diskussion

Data Engineering

• Überführung der Entwicklung Plattform in eine produktive Umgebung
• Stabilisierung der Spark Analysejobs durch Refactoring
• Automatisierung der Analysejobs

Projektergebnisse

• Auszeichnung für herausragende Projektergebnisse bis zum C-Level
• Bereits im ersten Jahr Gewinnung von Kunden mit neuen Service Angebotsportfolio