Embedded Softwareentwickler (Automotive)

Kandidat ist ein Embedded Softwareentwickler mit Fokus auf Automotive-Anwendungen und Fahrerassistenzsysteme. Er verfügt über Erfahrung in der Entwicklung von Software für radarbasierte Systeme und autonome Fahrfunktionen, einschließlich der Implementierung von Kalman-Filtern und Machine Learning Modellen. Seine Expertise umfasst Reinforcement Learning zur Optimierung von Adaptiven Geschwindigkeitsregelungen (ACC) sowie die Erstellung von Unit Tests und die Arbeit in Software-in-the-Loop (SIL) Umgebungen. Er ist versiert in C++, Python und relevanten Automotive-Tools.

Implementierung eines Kalman-Filters zur Fahrzeugzustandsschätzung mittels kamerabasierter Objekterkennung und Tiefenschätzung. Entwicklung eines Machine Learning Modells mit PyTorch zur Vorhersage von Kollisionsparametern, inklusive Datenverarbeitung und Modelltraining. Konzeption und Implementierung eines Motion-Prediction-Modells und eines Echtzeit-Kritikalitätsbewertungsalgorithmus für autonomes Fahren in einer SIL-Umgebung (Python, C++, OpenCV, Gitlab). Entwicklung und Beschleunigung eines Reinforcement Learning Frameworks zur Optimierung und Applikation der Adaptiven Geschwindigkeitsregelung (ACC) in Simulation und Realfahrzeug (C++, Python, Linux, Jira, ROS 2, Docker). Optimierung von ACC-Funktionen basierend auf Komfort- und Systemleistungs-KPIs, mit einer Leistungsverbesserung in 83% der Testszenarien. Softwareentwicklung auf dem Application Layer für radarbasierte Fahrerassistenzsysteme mit C++ und Python. Erstellung von Unit Tests basierend auf Softwareanforderungen für Embedded-Systeme.