Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage alle Hardware- und Softwarekenntnisse zu beherrschen, die für den Bau eines vollständig autonomen Rennwagens erforderlich sind. Dazu gehören die Steuerungshardware (z.B. RBG-Tiefenkamera, LIDAR, elektronischer Geschwindigkeitsregler, WIFI-Steuerung, Sensor und Leistungsplatine, einzelne 5000mAH-Lipo-Batterie, Sensorchassis, NVIDIA Jetson TX2 GPGPU-Computerplattform) und der Software-Stack (z.B. ROS, F1/10-Simulator, AV-Mapping und -Lokalisierung, AV-Planung, Lernen und Vision).

Ziel dieses Kurses ist es, den Studenten eine aktuelle Grundlage in den Technologien zu vermitteln, die an selbstfahrenden Autos und allgemein an mobilen autonomen Systemen eingesetzt und getestet werden.

Dieser praktische, laborzentrierte Kurs richtet sich an Master-Studierende, die sich für die Bereiche künstliche Wahrnehmung, Bewegungsplanung, Steuerungstheorie und angewandtes maschinelles Lernen interessieren. Er richtet sich auch an Studierende, die sich für das aufstrebende Gebiet des autonomen Fahrens interessieren. Dieser Kurs macht die Studenten mit der Hardware, Software und den Algorithmen vertraut, die beim Bau und beim Rennen eines autonomen Rennwagens zum Einsatz kommen. Jede Woche nehmen die Studierenden an zwei Vorlesungen teil und absolvieren ein umfangreiches praktisches Labor. Bis Woche 6 werden die Studenten einen autonomen Rennwagen im Maßstab 1:10 gebaut, programmiert und gefahren haben. Bis Woche 10 werden die Studenten grundlegende Prinzipien der Wahrnehmung, Planung und Kontrolle gelernt haben und mit kartenbasierten Ansätzen Rennen fahren. In den letzten 6 Wochen entwickeln und implementieren sie fortgeschrittene Rennstrategien, Computer-Vision und Algorithmen des maschinellen Lernens, die ihrem Team einen Vorsprung in dem Rennen verschaffen, das den Kurs abschließt.

Der Kurs besteht aus fünf aufeinander aufbauenden Lernmodulen, die drei Bewertungsrennen umfassen:

1. Einführung in ROS, F1/10 & den Simulator: Einführung in die selbstfahrende Hardware und den vollständig autonomen Software-Stack des Fahrzeugs, automatische Notbremsung, LiDAR, Starrkörpertransformation, Laplace-Domänendynamik, PID-Regelung für die Wandfolge.
2. Fahren mit reaktiven Methoden: Bauen Sie das Fahrzeug, stimmen Sie den elektronischen Geschwindigkeitsregler ab und implementieren Sie reaktive Fahrmethoden wie das Folgen der Lücke und das komplette Rennen 1.
3. AV-Abbildung und Lokalisierung: Grundlagen von SLAM mit Scan-Matching und Partikelfiltern, Google Cartographer SLAM, Implementierung reiner Verfolgungsfahrten und Vervollständigung von Rennen 2 mit Hilfe von Karten.
4. AV-Planung: Moralische Entscheidungsfindung für autonome Systeme, Optimierung der Rennlinie, Planung mit der schnellen Erforschung von Zufallsbäumen (RRT) und dem Verständnis der modellprädiktiven Steuerung (MPC).
5. Lernen & Vision: Entwurf und Implementierung von Algorithmen zur Erkennung und Posenschätzung, Verstärkungslernen und Extraktion visueller Merkmale.
6. F1/10 Großer Preis! Das Abschluss-Rennen wird ein Projekt zur Implementierung von Strategien zur Planung und Steuerung von Rennen beinhalten.

Detail-Inhalte:

• Einführung, unter Verwendung des F1/10-Simulators.
• Systeme: Automatische Notbremsung und Sicherheitskonzepte.
  
• Messungen: LiDAR und Starrkörpertransformationen
• Messungen und Aktuation: Referenzverfolgung, Laplace-Domänendynamik, PID.
  
• Aktuation: Abstimmung der elektronischen Geschwindigkeitsregelung
  
• Wahrnehmung I: Lokalisierung durch Scan-Matching
• Wahrnehmung II: Kartierung der Welt: SLAM und Partikelfilter
• Planung I: Reine Verfolgung
• Planung II: Rennstrecken, Navigationskarten.
• Ethik: Moralische Entscheidungsfindung und Studentendebatte
• Fortgeschrittene Themen: Rasche Erforschung von Zufallsbäumen (RRT) und Modell-Prädiktionskontrolle (MPC) 
• Computer Vision: Erkennung, Posenschätzung und visuelle Merkmalsextraktion
• Maschinelles Lernen: Neuronale Netzwerk-Autopiloten: Kann eine Maschine das Fahren lernen?
• Lernen: Verstärkungslernen und Autonome Fahrzeuge - Forschungsprototypen 
• Semesterende-Rennen

Bitte beachten Sie, dass sich die Detail-Inhalte nach aktuellen Schwerpunkten und zeitlichen Rahmenbedingungen teilweise ändern können.

Wöchentliche Vorlesung mit kontinuierlich begleitenden Laboraufgaben, die das Verständnis der Modulinhalte vertiefen und die individuelle Problemlösungskompetenz in autonomen Rennwagen erhöhen. Vorlesung und Labor: 2 x 3 Stunden/Woche.

Abhängig von der jeweiligen Coronavirus-bedingten Möglichkeiten werden die Laboraufgaben im Simulator und/oder auf der Hardware am Institut durchgeführt. Nährere Informationen dazu werden noch bekanntgegeben.

Die Anmeldung erfolgt in TISS, die weitere Abwicklung der Lehrveranstaltung in TUWEL. Bitte melden Sie sich zeitgerecht an, um Zugang zum Link der Vorlesungseinheiten und allen weiteren Unterlagen zu erhalten!

Beurteilung der Lehrveranstaltung:

• Die Beurteilung basiert auf den Abgaben der Laborübungen. Es wird zumindest 8 Labor-Aufgabenblätter geben, wovon jedes Aufgabenblatt die selbe Punkteanzahl zur Beurteilung beiträgt. Auf den Aufgabenblättern werden die erreichbaren Punkte für die jeweiligen Teilaufgaben angegeben.

Kursbewertung:

• Für einige Laborübungen werden wir Ihren Code in einem vorgegebenen Test (d.h. einen Benchmark) unterziehen.
• Der Test sollte mit Ihrem Code fehlerfrei laufen. Ihnen wird die Testspezifikation im Aufgabenblatt mitgeteilt, sodass Sie sicherstellen können, dass Ihr Code zumindest läuft.
  
• Wir werden die Performance Ihrer Lösungen auf den Autos untersuchen. Bei einigen Laborübungen werden wir Sie möglicherweie um eine Erklärung des Codes in einem Abgabegespräch bitten.

Ein Labor dauert normalerweise eine Woche, sofern nicht anders angegeben.

Die Anmeldung erfolgt in TISS, die weitere Abwicklung der Lehrveranstaltung in TUWEL. Bitte melden Sie sich zeitgerecht an, um Zugang zum Link der Vorlesungseinheiten und allen weiteren Unterlagen zu erhalten!

Die wichtigste technische Voraussetzung sind gute Programmierkenntnisse in C++ und Python. Sie werden in beiden Sprachen programmieren oder Code lesen. Python ist leicht zu erlernen, wenn Sie es nicht bereits kennen, aber Sie müssen das in Ihrer eigenen Zeit tun. Sie benötigen auch Kenntnisse über Frequenztransformationskonzepte (z.B. Fourier oder Laplace), grundlegende Matrixalgebra und Differentialgleichungen.