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