Fortgeschrittene Konzepte der Wahrnehmung für Robotersysteme (Vorlesung)

Vortragende/r (Mitwirkende/r)
  • Volker Gabler
  • Georg von Wichert
Umfang2 SWS
SemesterWintersemester 2019/20
Stellung in StudienplänenSiehe TUMonline
TermineSiehe TUMonline

Teilnahmekriterien & Anmeldung

Lernziele

Nach Teilnahme an den Modulveranstaltungen kennen die Studenten die wesentlichen Komponenten und Konzepte robotischer Perzeptionssysteme und sind in der Lage Wahrnehmungsaufgaben für autonome (Roboter-) Systeme zu analysieren sowie das passende Perzeptionssystem zu konzipieren.

Beschreibung

Einführung: Rolle der Wahrnehmung in autonomen und semiautonomen (Roboter-)Systemen - Sensortechnologien für robotische Wahrnehmungssysteme - Schwächen und Stärken unterschiedlicher Sensoren - Umgang mit unsicherer Information - Sensordatenfusion und Zustandsschätzung - Modellierung von Sensoren - Statische und dynamische Umgebungs- und Szenenmodelle - Wahrnehmung als kognitiver Prozess

Inhaltliche Voraussetzungen

Programmieren in C/C++ Grundkenntnisse der Robotik Grundkenntnisse der Bildverarbeitung Folgende Module sollten vor der Teilnahme bereits erfolgreich absolviert sein: Grundlagen intelligenter Roboter Projektkurs C++

Studien-, Prüfungsleistung

Das angestrebte Verständnis für die Rolle und das Zusammenwirken verschiedenster Komponenten und Methoden in robotischen Wahrnehmungssystemen lässt sich am besten in einer mündlichen Prüfung überprüfen. Der fortschreitende Lernerfolg soll während des Semesters anhand der Ergebnisse von Hausaufgaben überwacht werden, in denen die Studenten den Lehrstoff wiederholen und weiterdenken sollen. Die Endnote setzt sich aus folgenden Prüfungselementen zusammen: - 100 % Mündliche Abschlussprüfung Eine vollständige Erledigung der Hausaufgaben wird mit einem Bonus von 0,3 auf die bestandene Modulnote angerechnet.

Empfohlene Literatur

Weiterführende Informationen finden sich in folgenden Werken: - S. Thrun, W. Burgard, and D. Fox, Probabilistic Robotics, MIT Press 2005. - R. Hartley, and A. Zisserman, Multiple View Geometry in Computer Vision, Cambridge University Press, 2004 - C. M. Bishop, Pattern recognition and machine learning. Springer, 2006.

Links