> Markdown version of [/jobs/ext/3615827-intern-thesis-learning-based-radar-camera-fusion-for-simultaneous-localization-and-mapping](https://www.wearedevelopers.com/jobs/ext/3615827-intern-thesis-learning-based-radar-camera-fusion-for-simultaneous-localization-and-mapping). Every page supports `.md` or `Accept: text/markdown`. Links point to the HTML versions so they work for humans too. Agent guide: [/agents.md](https://www.wearedevelopers.com/agents.md).

---

# Intern/Thesis - Learning-based Radar-Camera Fusion for Simultaneous Localization and Mapping

- **Company:** CARIAD SE
- **Location:** Mönsheim, Germany
- **Salary:** €28,912.0
- **Contract:** Internship / Graduate position
- **Skills:** C++ (Programming Language), Python (Programming Language), State Estimation, Information Technology
- **Published:** October 8, 2026
- **Apply:** https://www.xing.com/jobs/moensheim-intern-thesis-learning-based-radar-camera-fusion-for-simultaneous-localization-and-mapping-156971544

## About the Role

* Laufendes Studium im Bereich Informatik, Robotik, Elektrotechnik, Mathematik oder eines vergleichbaren Studiengangs
 * Kenntnisse über Sensoren für autonomes Fahren sowie Messtechnik
 * Programmierkenntnisse und praktische Erfahrung in Python und/oder C++
 * Sehr gute Englischkenntnisse in Wort und Schrift
 * Offen, teamorientiert und begeistert von autonomen Fahrsystemen sowie der Lösung anspruchsvoller technischer Herausforderungen
 * Erste Forschungserfahrung (z. B. durch Praktika, Projekte, wissenschaftliche Veröffentlichungen oder Programmierwettbewerbe) ist von Vorteil

## Description

Du wirst Teil unseres Teams für Ground-Truth-Generierung und arbeitest an der Schnittstelle zwischen Forschung und Industrie. In enger Zusammenarbeit mit unseren promovierten Forschenden (PhD) wirkst du an laufenden Forschungsprojekten im Bereich Radar-Kamera-Fusion sowie robuster Simultaner Lokalisierung und Kartierung (SLAM) für autonome Fahrzeuge mit.

Gemeinsam bearbeiten wir anspruchsvolle Fragestellungen der Radar-Kamera-Zustandsschätzung, robusten Lokalisierung, konsistenten Kartenerstellung sowie der modalitätsübergreifenden Ausrichtung (Cross-Modal Alignment) von Kamera- und Radardaten. Unser Ziel ist es, multimodale SLAM-Algorithmen weiterzuentwickeln, die die komplementären Eigenschaften verschiedener Sensoren kombinieren, um eine zuverlässige Lokalisierung und Kartierung in komplexen Fahrsituationen - unabhängig von Wetter- und Lichtverhältnissen - zu ermöglichen., * Eigenständige Erforschung neuer Ansätze zur Fusion von Radar- und Kameradaten

 * Entwicklung und Bewertung von Methoden zur robusten Zustandsschätzung, Lokalisierung und/oder Erstellung von 3D-Karten
 * Planung und Durchführung von Experimenten sowie Vergleich deiner Ansätze mit dem aktuellen Stand der Forschung (State of the Art)
 * Analyse der Ergebnisse und Ableitung von Erkenntnissen zur Weiterentwicklung multimodaler SLAM-Algorithmen