Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage alle Hardware- und Softwarekenntnisse zu beherrschen, die für den Bau eines vollständig autonomen Rennfahrzeugs erforderlich sind. Dazu gehören die Hardware (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 Studierenden mit der Hardware, Software und den Algorithmen vertraut, die beim Bau und beim Rennen eines autonomen Rennfahrzeugs zum Einsatz kommen. Jede Woche werden den Studierenden (vorbereitete) Vorlesungen zu den relevanten Aspekten angeboten. Kernelement ist ein umfangreiches praktisches Labor. Die Laborübungen beginnen zunächst mit den Grundlagen der Hard- und Software eines autonomen Rennfahrzeugs im Maßstab 1:10. Darauf folgen die grundlegenden Prinzipien der Wahrnehmung, Planung und Kontrolle und kartenbasierte Ansätze für Rennen. In den Wochen entwickeln und implementieren die Studierenden fortgeschrittene Rennstrategien, Computer-Vision und Algorithmen des maschinellen Lernens, die ihrem Team einen Vorsprung in dem Rennen verschaffen, welches die Lehrveranstaltung abschließt.

Der Kurs besteht aus fünf aufeinander aufbauenden Lernmodulen:

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.
3. AV-Abbildung und Lokalisierung: Grundlagen von SLAM mit Scan-Matching und Partikelfiltern, Google Cartographer SLAM, Implementierung reiner Verfolgungsfahrten und Vervollständigung mit Hilfe von Karten.
4. AV-Planung: 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. Der Abschluss 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.
• 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 Vorlesungen (vorbereitet als Video) zur Vermittlung der Grundlagen.
• Ergänzende Labor-Vorlesungen zu den relevanten Inhalten der Laboraufgaben (in Präsenz).
• Kontinuierlich begleitende Laboraufgaben, die das Verständnis der Modulinhalte vertiefen und die individuelle Problemlösungskompetenz in autonomen Rennwagen erhöhen.

Abhängig von den aktuellen Möglichkeiten werden die Laboraufgaben im Simulator und/oder auf der Hardware am Institut durchgeführt. Nährere Informationen dazu werden noch bekanntgegeben.

ECTS Breakdown: 6 ECTS = 150 Stunden

• 1h | Einführungs-Vorlesung
• 148h | 8 Labor-Einheiten zu je 1h Labor-Vorlesung, 16.5h Übungsbearbeitung (inkl. Vorbereitung mittels vorbereiteter Grundlagen-Vorlesungen), 1h Ergebnis-Präsentation
• 1h | Nachbetrachtung

Bitte beachten Sie, dass die meisten Übungsbeispiele Team-Aufgaben sind und daher der Arbeitsaufwand durch Aufteilung im Team bewältigt werden sollte.

Die Anmeldung erfolgt in TISS, die weitere Abwicklung der Lehrveranstaltung in TUWEL. 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 (in Einzel- und Gruppenaufgaben). 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.
• Präsentation der Ergebnisse ausgewählter Laborübungen durch die Teams der Studierenden.
  

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 zwei Wochen, 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!

Falls die Anmeldeliste bereits voll ist, können Sie sich auf der Warteliste registrieren. Gegebenenfalls ist eine Teilnahme möglich, wenn andere Studierende kurzfristig ausfallen. Kommen Sie daher auch in die Vorbesprechung, wenn Sie auf der Warteliste registriert sind.

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.