Der Kurs vermittelt Kenntnisse zum Bereich der
Signalverarbeitung für kognitive und robotische Systeme.
Besonderer Wert wird auf maschinelle Lernverfahren,
insbesondere Deep Learning mit Convolutional Neural Nets
(CNNs) gelegt, ein Ansatz der insbesondere im Kontext des
autonomen Fahrens oder der Sensordatenverarbeitung in der
Automatisierungstechnik / Industrie 4.0 erfolgreich ist.
Hierbei wird Wert auf eine solide mathematische Herleitung der
Theorie und die Anknüpfungspunkte zu anderen Vorlesungen
gelegt.
Die Studierenden implementieren in MATLAB ein einfaches
neuronales Netz zur Radarsignal-Klassifizerung und
trainieren dies mit dem Backpropagation Algorithmus.
Ferner werden auch industrierelevante Tools vorgestellt.
Ein zweiter Schwerpunkt besteht in der Umfelderfassung in
multisensoriellen Anwendungen. Hierbei werden zunächst die
Grundlagen zu
Kalman- und Partikelfilter wiederholt.
Als Anwendungsbeispiele werden Verfahren zur simultanen
Lokalisierung und Kartenerstellung (SLAM), Datenfusion von
Sensor- und GNSS-Signalen und Tracking mit Automotive-Radaren
vorgestellt.
Abschliessend werden Algorithmen zur Resourcenoptimierung
und zum Management von Verteilten bzw. Multisensorsystemen
vorgestellt.
Die Anwendungsbeispiele im Kurs im Wesentlichen auf
Radarsensorik sowie optischen und LIDAR-Systemen.
- Kursleiter/in: Stefan Brüggenwirth