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.