de | en

Künstliche Intelligenz in der Fahrzeugtechnik
Artificial Intelligence in Automotive Engineering

Modul MW2378 [KI Fzg.]

Dieses Modul wird durch Lehrstuhl für Fahrzeugtechnik (Prof. Lienkamp) bereitgestellt.

Diese Modulbeschreibung enthält neben den eigentlichen Beschreibungen der Inhalte, Lernergebnisse, Lehr- und Lernmethoden und Prüfungsformen auch Verweise auf die aktuellen Lehrveranstaltungen und Termine für die Modulprüfung in den jeweiligen Abschnitten.

Basisdaten

MW2378 ist ein Semestermodul in Deutsch oder Englisch auf Master-Niveau das im Wintersemester angeboten wird.

Das Modul ist Bestandteil der folgenden Kataloge in den Studienangeboten der Physik.

  • Allgemeiner Katalog der nichtphysikalischen Wahlfächer
GesamtaufwandPräsenzveranstaltungenUmfang (ECTS)
150 h 45 h 5 CP

Inhalte, Lernergebnisse und Voraussetzungen

Inhalt

In der Vorlesung werden alle relevanten Aspekte rund um die Thematik "Künstliche Intelligenz" und "Maschinelles Lernen" behandelt und dabei praktische Bezüge zur Fahrzeugtechnik hergestellt. 1. Einführung: Historischer Rückblick, Überlbick der Maschinellen Lernverfahren, Begriffserklärung, selbstfahrende Fahrzeug 2. Grundlagen der Computer-Vision: Feature Extraktion, Farberkennung, Kantenerkennung, Hough Lines, Stereovision 3. Supervised Learning - Lineare Regression: Random Sampling & Consensus 4. Supervised Learning - Classification: Decision Trres, Support Vector Machines, k-nearest Neighbours. 5. Unsupervised Learning - Clustering: Decision Trees, k-Means 6. Wegfindung: A* Search 7. Einführung Neuronale Netze: Das Perceptron, Loss Function, Activation Function 8. Deep Neuronal Networks: Backpropagation, Mehrere Layer 9. Convolutional Neuronal Networks: Paramter, Filter, Visualization, Pooling 10. Rekurrente Neuronale Netze 11. Reeinforcemente Learning 13. AI-Development: Hyperparamter, Training auf CPU und GPU, AI Inference

Lernergebnisse

Nach der Teilnahme an den Veranstaltungen haben die Studierenden einen umfassenden Überblick über die Methoden der künstlichen Intelligenz und des Maschinellen Lernens. Die Studierenden sind in der Lage, für verschiedene Problemstellungen das passenden maschinelle Lernverfahren auszuwählen und dieses dann mit entsprechenden Code umzusetzen. Darüber hinaus sind die Studiernenden in der Lage, aktuelle Problemstellungen aus der Fahrzeugztechnik (bsp. autonomes Fahren) mittels maschineller Lernverfahren anzugehen.

Voraussetzungen

• Besuch der Vorlesung „Grundlagen KFZ" von Vorteil, aber nicht notwendig • Kenntnisse für die Programmierung in Python notwendig

Lehrveranstaltungen, Lern- und Lehrmethoden und Literaturhinweise

Lehrveranstaltungen und Termine

ArtSWSTitelDozent(en)Termine
VO 2 Künstliche Intelligenz in der Fahrzeugtechnik Do, 16:15–17:45, Interims I 101
Do, 16:15–17:45, Interims II 004
UE 1 Künstliche Intelligenz in der Fahrzeugtechnik - Übung Do, 17:45–18:30, Interims I 101
Do, 17:45–18:30, Interims II 004

Lern- und Lehrmethoden

In der Vorlesung werden die Lehrinhalte mittels Vortrag und Präsentation vermittelt. Dabei werden mittels Tablet-PC komplexere Sachverhalte hergeleitet und illustriert. Während der Vorlesung werden explizit Fragen gestellt, die eine Transferleistung von den Studierenden erwarten und bei denen die Studierenden die Möglichkeit bekommen sich zu Wort zu melden und eine etwaige Lösung zu diskutieren. Damit soll der Überblick über die maschinellen Verfahren vertieft werden und der Transfer zum Anwenden der maschinellen Verfahren auf weitere Problemstellungen erreicht werden. Ebenfalls werden in der Vorlesung einfache Codebeispiele erläutert, die von den Studierenden aktiv mit programmiert werden können. Diese Codebeispiele befinden sich primär im Bereich der Fahrzeugtechnik, wodurch die Studierenden im Anschluss in der Lage sind spezielle Problemstellungen aus dem Bereich der Fahrzeugtechnik mit maschinellen Lernverfahren zu bearbeiten.
Nach jeder Vorlesungseinheit werden entsprechende Lern- und Programmieraufgaben in Form einer Hausaufgabe den Studierenden übergeben, die die Thematik der Lerneinheit behandeln und als Vorbereitung für die Prüfung dienen. Zum Beispiel ist dies die Detektion von Fahrspuren im Kapitel 2 Computer Vision oder die Detektion von Fahrzeugen im Kapitel 4 durch Support Vector Machines. Den Studierenden wird durch diese Programmieraufgaben vermittelt, wie maschinelle Lernverfahren in entsprechenden Code umgesetzt werden können und dies dabei gleichzeitig auf Problemstellungen aus der Fahrzeugtechnik anwenden.

Medienformen

Vortrag, Präsentationen, Tablet-PC und Beamer

Literatur

Christopher M. Bishop Neural Networks for Pattern Recognition, 1995
Tom M. Mitchell, Machine Learning, 1997
Christopher M. Bishop, Pattern Recognition and Machine Learning, 2007
David Barber, Bayesian Reasoning and Machine Learning, 2012
Michael Nielsen Neural Networks and Deep Learning, 2014
Pendelten et. al, Perception, Planning, Control, and Coordination for Autonomous Vehicles, Machines 2017, 5(1), 6; https://doi.org/10.3390/machines5010006

Modulprüfung

Beschreibung der Prüfungs- und Studienleistungen

In einer schriftlichen Klausur (Bearbeitungsdauer 90 min) sind die vermittelten Inhalte zum einen auf die Grundlagen der maschinellen Lernverfahren sowie auf verschiedene Problemstellungen aus der Fahrzeugtechnik anzuwenden und auf weiterführende Aufgabenstellungen zu übertragen. Die Studierenden sollen in der Klausur beispielsweise nachweisen, dass diese die grundlegenden Mathematik hinter den maschinellen Verfahren verstanden haben und diese entsprechend anwenden können. Ebenfalls sollen die Studierenden nachweisen können, dass sie passende maschinelle Lernverfahren für verschiedene Problemstellungen aus der Fahrzeugtechnik auswählen können und mit dem entsprechenden Code umsetzen können. Erlaubte Hilfsmittel ist hierbei der Taschenrechner. Durch die nach der Vorlesung gestellte Hausaufgabe kann bei Abgabe von 50% richtigen Ergebenissen (berechnet als Durchschnittswert über alle einzelne Hausaufgaben) ein Notenbonus für die Klausur erzielt werden.

Wiederholbarkeit

Eine Wiederholungsmöglichkeit wird im Folgesemester angeboten.

Nach oben