Projekt

Modellauto erkennt selbstständig Objekte mittels einer Kamera. Dafür wurde ein CNN mit CIFAR-10-Daten und Keras/Tensorflow in Python trainiert. Das Modell (die Netzschichten) wurde als HDF5-Datei (.h5) angespeichert. Die C++17-Fahrapplikation Applikation greift auf das Modell übers die HDF5-Datei zu.

Nächste Idee

Verwendung des Robot Operating Systems (ROS) von https://www.ros.org

Technik

• Bilderkennung mittels Kamera und trainierten CNN mit Keras/Tensorflow und CIFAR-10-Daten. CNN: Convolutional Neural Network.
• IDE für Python: Jupyter Notbook in Amazon AWS
• IDE: Visual Studio 19 C/C++ mit C++17 (Templates, Thread/async/future, STL und Range-V3)
• Zielrechner: Raspberry PI 4 mit Linux
• Entwicklungsrechner: Windows
• Modellauto: Sunfounder Smart Video Car Kit

Analyse und Auswertung von Testdaten (Radar- und Kameradaten, große Datenmengen) für ADAS-Funktionen eines Fahrerassistenzsystems im Nutzfahrzeugumfeld mit Data- Science und KI-Methoden.

• Analyse Mileage Data (Leistungsdaten)
• Clusteranalyse (Unsupervised Learning) bildung von Fehlerklassen mittels Scikit learn
• Automatische Fahrerklassifizierung (Deep Learning) mittels Keras/TensorFlow
• Schreiben eines Analysetools in Python
• Statistische Auswertung von Testdaten (Große Datenmengen)
• Validierung der tolerierbaren Fehlalarmrate der Radarerkennung (False-Positives)
• Vergleich ADAS-Software mit Fahrer-Fahrstrecke-Fahrzeugmodell (Multilayer)
• Abgleich anhand GPS mit Open Steet Map und Wetterdaten
• Abgleich mit Bildaten
• Abgleich mit Sensordaten (Beschleunigung, Geschwindigkeit, usw.).
• Erstellung eines Testdaten-Reports für die sicherheitsrelante Dokumentation
• Daten wurden mittels REST-API aus Altran VueForge Services geholt oder lagen im CSV-Format vor
• Verarbeitung der großen Datenmengen über Servercluster mittels Hadoop
• Test der Python-Applikation mit Robot Framework und Python unittest

Werkzeuge

Deep Learning mit Anaconda Python (Numpy, Pandas, Dask, Keras/TensorFlow, Scikit Learn, Seaborn, Matplotlib, OpenCV). Hadoop. Altran VueForge/REST-API, HTTP, JSON. Robot Framework und Python unittest, Git.

12/2017 - 06/2018: Vollzeit

• Software-Spezifikation (MS Word)
• Anwendungsfälle in Gherkin-Syntax
• Software-Architektur (MS Word / Enterprise Architekt)
• Textuell unterstützt mit UML-Diagramme
• Programmierung der Software in C (Misra-C:2012)
• IDE: Eclipse C/C++ OpenSTM32 + CubeMX
• Mikrocontroller: STM32F303 (ARM Cortex-M4)
• Entwickler-Tests (Unit- und Integrations-Tests)

Ab 01.07.2018: Service keine Vollzeit mehr.

Umsetzung neuer Anforderungen.

Normen

DIN EN 60730, Klasse B
DIN EN ISO 13849

11/2013 – 06/2014: Testspezifikation, Testdurchführung und Testbericht.

• Inbetriebnahme und Test der Steuergeräte
• SW/HW-Integrationstest
• SW-Modultest C (+Ergänzung der Doxygen-Kommentare)
• Integrationstest zweier Steuergeräte
• Review und Unterstützung bei den Anforderungen

Unterstützung bei den Dokumenten für den TÜV

• Einführung von Enterprise Architect (EA)
• Unterstützung beim Erstellen der Software-Anforderungen
• Unterstützung bei Software- und System-Design mit EA

07/2015 – 12/2015 Software (Bibliothek) in C für Seriell/RS485 (Ampelkommunikation)

• Programmierung der Bibliothek
• DE: Eclipse C/C++ OpenSTM32
• Microcontroller: Cortex-M1/M4

01/2016 – 10/2016: Programmierung eines Ampelprogrammgenerators in C++11

• Programmierung eines Programmgenerators für Ampelprogramme
  • JSON -> C++11-Ampelprogramm
•  Auflaufumgebung:
  • DIMM-Modul: AM335x ARM Cortex-A8 Microprozessor mit RT-Linux
• IDE: Visual Studio
• Pflege von Softwaremodulen

Teilprojektleitung Embedded-Softwareentwicklung

• Unterstützung bei der Projektmanagement

Werkzeuge: 

MS Office (+Project, Visio), Oszilloskop Rigol DS4024E, C#, Debugger, Tessy, Enterprise Architect, AM335x ARM Cortex-A8, Visual Studio, C++11, JSON

Methoden: 

Normen und Richtlinien (RiLSA, VDE 0832-100, -200, -500, DIN EN 12675, NEN 3384), SysML /UML / Enterprise Architect

Testdurchführung der E/E und funktionalen Integrationstest a) Aktuatorsteuergerät und b) Aktuator- mit Sensorsteuergerät und Kommunikation über CAN-Bus

Phase 1: 

• - Aufbau E/E Integrationstest (Testplanung, Definition Prüfplätze, und Beschaffung, Einarbeitung der Mitarbeiter)

Phase 2: 

• - Leitung und Durchführung der E/E und funktionalen Integrationstest
• - Erweiterung um ein Testteam in Bangalore/Indien

Phase 3:  ab 04/2013

• - Übergabe der Testleitung an einen internen Mitarbeiter
• - Programmierung eines SPI-Slave-Simulators (Arduino Uno + Hardware Shield, Arduino Sketch)
• - Untersuchung und Einführung Canoe-Library-Erstellung mit Simulink (Canoe Matlab Interface, Malab-/Simulink-Coder, VS2010 C/C++ Compiler)
• - Erstellung von modellbasierten Restbus-Simulationen mit Matlab-Simulink-Coder für Canoe

Werkzeuge: 

MS-Project, VT-System, Canoe, TAE (Test Automation Editor), Oszilloskop MSO 3034,

Arduino Uno, Arduino Sketch,  C++, Doors (als Anwender), Enterprise Architect (Modellierung in SysML), Matlab / Simulink, CAN-Bus, Subversion

Methoden: 

ISTQB-Testprozess, ASIL-D ISO 26262, Unternehmenseigener Entwicklungsstandard

Entwicklung von Software:

• Testautomatisierung mit C# und Python
• Testsoftware mit C++, QT4 und CanCardX
• Autocode in C mit Ascet und Matlab/Simulink
• C barmetal auf Mikrocontroller

Werkzeuge:

Visual Studio für C# und C++,QT,

Python IDLE,

Ascet, Matlab/Simulink für C (Autocode-Generierung),

Eclipse-CDT-Varianten für C

NI-Measurement Studio in C#,

Enterprise Architect für UML,

Normen und Methoden:

Modellierung mit UML und Matlab/Simulink,

Safety nach ISO 26262 ASIL D,

Testkonzept nach IEEE 829

ASPICE

Betriebssysteme

Windows,

Mikrocontroller: Barmetal und RTOS

Microcontroller

MPC55xx