Szenenverständnis-Benchmark für ein Autonomes-Fahren-Team
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst 800 Frontkamera-Frames aus DACH-Straßen (Mischung Stadt, Land, Autobahn) plus 80 von Domänenexpert:innen geschriebene Szenenbeschreibungen als Goldstandard. Vergleiche drei VLMs (z. B. LLaVA-NeXT, Qwen2-VL, InternVL2) in jeweils zwei Größen. Miss Beschreibungsqualität mit BLEU (Bilingual Evaluation Understudy), METEOR und einer 3-Punkt-Domänenexpert:innen-Bewertung (faktisch korrekt / sicherheitsrelevant erwähnt / hallucinationsfrei). Profile Latenz auf NVIDIA Orin (oder dokumentiertem x86-Proxy). Liefere eine Fehler-Galerie mit 20 typischen Sicherheits-Edge-Cases und eine 3-seitige Empfehlung mit Architektur-Entscheidung.
Das Briefing
Was Du tust und was Du zeigst.
Empfehle das Vision-Language-Modell mit dem besten Trade-off zwischen Szenenverständnis-Qualität, Latenz auf NVIDIA Orin und Sicherheits-Edge-Case-Verhalten für DACH-Straßen-Szenen.
Earning criteria — what you'll demonstrate
- Vision-Language-Modelle hinsichtlich Beschreibungs-Qualität und Halluzinations-Risiko vergleichen
- Latenz-Profile auf Edge-Hardware für Wahrnehmungs-Pipelines erstellen
- Sicherheits-Edge-Cases systematisch als Bewertungskriterium verankern
- Architektur-Empfehlungen gegenüber Wahrnehmungs-Engineering verteidigen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenComputer-Vision-Ingenieur:in
VLM-Benchmarks mit Edge-Deployment-Profilen sind die typische Quartalsarbeit im Wahrnehmungs-Team eines Automobil-Zulieferers — diese Challenge liefert ein End-to-End-Artefakt für Interviews mit ADAS-Teams.
Dieses Projekt schärft
- vision-language-models
- scene-understanding
- edge-deployment
Maschinelles-Lernen-Ingenieur:in
Reproduzierbarer Benchmark-Harness und Hardware-Profilierung sind die Disziplin, die MLEs in Plattform-Teams jede Woche ausüben müssen.
Dieses Projekt schärft
- benchmarking
- model-evaluation
- pytorch
MLOps-Ingenieur:in
Edge-Latenz, Speicher-Footprint und reproduzierbare Eval-Pipelines bilden den Kern der MLOps-Arbeit in Wahrnehmungs-Stacks für autonomes Fahren.
Dieses Projekt schärft
- edge-deployment
- benchmarking
- model-evaluation
Noch eine Sache