Minhao Qiu
Dr.-Ing. Minhao Qiu
Kurzvita
Minhao Qiu is currently working as a Ph.D. student in the computer science department at the Friedrich-Alexander University Erlangen-Nürnberg (FAU) in cooperation with the AUDI AG. He received his Bachelor of Engineering degree in telecommunication engineering at the Zhejiang GongShang University in 2016. Afterwards, he studied Information and Communication Technology at the Friedrich-Alexander University Erlangen-Nürnberg in which received his Master of Science degree in 2019. His research interests include performance and dependability analysis of automated driving systems, machine learning, and deep learning.
Weitere Informationen
2023
Redundant Sensor-Based Perception Sensor Reliability Estimation from Field Tests without Reference Truth
In: SAE Technical Papers (2023)
ISSN: 0148-7191
DOI: 10.4271/2023-01-5078
BibTeX: Download
, , , , :
Improved sensor error definitions for reliability analysis of multi-sensor systems
The 7th International Conference on System Reliability and Safety (Bologna, 2023-11-22 - 2023-11-24)
BibTeX: Download
, , , :
2022
Exploring the impact of scenario and distance information on the reliability assessment of multi-sensor systems
2022 48th Euromicro Conference on Software Engineering and Advanced Applications (SEAA) 2022 (Maspalomas, Gran Canaria, 2022-08-31 - 2022-09-02)
DOI: 10.1109/seaa56994.2022.00058
BibTeX: Download
, , , :
2021
Associating sensor data and reference truth labels: A step towards SOTIF validation of perception sensors
Sixth IEEE International Workshop on Automotive Reliability, Test and Safety (ARTS)
BibTeX: Download
, , , , , , :
Multi-sensor system simulation based on RESTART algorithm
The 67th Annual Reliability and Maintainability Symposium
DOI: 10.1109/RAMS48097.2021.9605759
BibTeX: Download
, , :
Reliability assessment of multi-sensor perception system in automated driving functions
26th IEEE Pacific Rim International Symposium on Dependable Computing (PRDC 2021)
DOI: 10.1109/prdc53464.2021.00022
BibTeX: Download
, , , , :
Parameter tuning for a Markov-based multi-sensor system
2021 47th Euromicro Conference on Software Engineering and Advanced Applications (SEAA) 2021
DOI: 10.1109/SEAA53835.2021.00052
BibTeX: Download
, , , , , :
-
Zuverlässigkeitsbewertung für Multi-Sensorsysteme
(Drittmittelfinanzierte Einzelförderung)
Laufzeit: 2020-01-01 - 2023-06-30
Mittelgeber: andere FörderorganisationZukünftige Fahrfunktionen benötigen Multi-Sensorsysteme, deren Zuverlässigkeit durch Methoden der Sensordatenfusion (Aggregation, Filterung, Mehrheitsentscheidung und weitere Mechanismen zur Fehlervermeidung) gesteigert werden müssen. Dadurch treten Fehler sehr selten auf, es existieren jedoch Abhängigkeiten der Fehler von aufeinanderfolgenden Sensorwerten („Fehlerbursts“) und auch Abweichungen zwischen Sensoren (z.B. bei schlechten Umgebungsbedingungen).
Für eine Auslegung hinsichtlich der Sicherheit müssen Fehlerwahrscheinlichkeiten von Multi-Sensorsystemen bestimmt werden. Sowohl ein bestehendes analytisches Modell basierend auf Markov-Ketten als auch ein Simulationsmodell für Multi-Sensorsysteme ausgebaut werden, um die zu bestimmen.
In diesem Projekt soll auf den Vorarbeiten des INI.FAU-Projekts aufgebaut werden und sowohl das bestehende analytische Modell basierend auf Markov-Ketten als das Simulationsmodell für Multi-Sensorsysteme ausgebaut werden. Die angestrebten wissenschaftlichen Erkenntnisse bestehen in der Weiterentwicklung des analytischen Markov-Modells, das bereits Fehlerbursts einzelner Sensoren sowie Abhängigkeiten zwischen zwei Sensoren berücksichtigt, dem Ausbau auf mehr Sensoren, der Berücksichtigung weiterer Fehlervermeidungsstrategien und einer Werkzeugumsetzung. Weiterhin sollen Erkenntnisse beim Einsatz von Rare-Event-Simulation erzielt werden, um detailliertere Simulationsmodelle von Multi-Sensorsystemen in praktikablen Laufzeiten auszuführen und damit statistisch gesicherte Ergebnisse abzuleiten. Die Simulation erlaubt eine noch realistischere Systemnachbildung und eine Validierung der analytischen Modellierung. Es entsteht eine wissenschaftlich fundierte Methodik zur Ermittlung der Zuverlässigkeit von Multisensorsystemen.