Autonomes Fahren

Image credit: pexels

Die Vorlesung Autonomes Fahren orientiert sich unter anderem an der vereinfachten Sense-Plan-Act Architektur. Die Studierenden erhalten dabei einen Überblick über die wichtigsten Bestandteile eines autonomen Systems.

Vereinfachte Sense-Plan-Act Architektur
Vereinfachte Sense-Plan-Act Architektur

Lern- / Qualifikationsziele

Die Studierenden

  • können die zentralen Elemente eines autonomes Systems angeben sowie die Hauptaufgaben eines jeden Elementes erläutern.
  • können Beispiele für Algorithmen aus der Situationsinterpretation und der Pfadplanung nennen.
  • können Methoden aus der Pfadplanung implementieren.
  • können sich mit Bezug auf die behandelten Methoden qualifiziert zu deren Anwendung im autonomen Fahren äußern.

Vorlesung

#NameZusammenfassung
1Grundlagen IFortbewegungsmodelle, Vorwärtskinematik, Rückwärtskinematik, Ackermann Lenkung, Bewegungsmodelle
2Grundlagen IIGrundlagen der Wahrscheinlichkeitstheorie, Erwartungswert und Varianz, Satz von Bayes, zeitdiskretes Kalman-Filter
3SensorenKlassifikation von Sensoren, Abstandsmessungen, Übersicht über eine Auswahl der wichtigsten Sensoren, Einführung in Multi-Object Tracking, Assoziation von Daten
4LokalisierungÜbersicht über Architekturen, Kartendarstellungen, Odometrie, Lokalisierung mit Landmarken, Probabilistische Lokalisierung
5Globale PfadplanungBug Algorithmus, Konfigurationsraum, Diskretisierung Konfigurationsraum, Graphenbasierte Pfadplanung, Dijkstra’s Algorithmus, Probabilistische Pfadplanung
6SituationsinterpretationPhysik-basierte Modelle, Manöver-basierte Modelle, Interaktions-basierte Modelle
7KollisionsdetektionAnalytische und Simulative Kollisionsberechnung; GJK-Algorithmus
8Lokale PfadplanungAnytime Algorithmen, Interpolations-basierte Pfadglättung
9Kooperative ManöverplanungEinführung in die Spieltheorie, kooperative Spieltheorie
10TrajektorienregelungPure Pursuit Regelung

Übung

Die Übung baut auf der Webots Simulation Software auf. Übungstermine für das Labor werden in der Vorlesung bekannt gegeben.

#NameShort Content
1KinematicUmsetzung der kinematischen Gleichungen um Odometriedaten aus der Drehbewegung des differentiellen Antriebes zu genieren
2LokalisierungVerwenden einer kamera-basierten Landmarkendetektion um auf Basis einer Triangulation die eigene Position zu bestimmten
3Globale PfadplanungImplementierung des Bug-Algorithmus und Evaluierung in verschiedenen Umgebungen
4Globale Pfadplanung IIImplementierung des RRT-Alorithmus
Christopher Knievel
Christopher Knievel
Professor for Autonomous Systems

My research interests include situation assessment, maneuver planning, and machine learning applied for (mobile) autonomous systems.