Klausur

In den letzten Jahren haben sich fahrerlose Autos zu einem der wichtigsten Arbeitspferde im Bereich der künstlichen Intelligenz entwickelt. Angesichts der hohen Zahl von Verkehrstoten, der eingeschränkten Mobilität älterer und behinderter Menschen sowie der zunehmenden Probleme durch Staus und Verkehrsüberlastung versprechen selbstfahrende Autos eine Lösung für eines der wichtigsten Probleme unserer Gesellschaft: die Zukunft der Mobilität. Damit ein Auto jedoch in einer weitgehend uneingeschränkten Umgebung selbstständig fahren kann, bedarf es einer Reihe von algorithmischen Fähigkeiten, die mit der menschlichen Kognition konkurrieren, was die Aufgabe sehr schwierig macht. In diesem Kurs werden die wichtigsten Paradigmen für selbstfahrende Autos behandelt: modulare Pipeline-basierte Ansätze sowie Deep-Learning-basierte End-to-End-Fahrtechniken. Die Themen umfassen kamera-, lidar- und radarbasierte Wahrnehmung, Lokalisierung, Navigation, Pfadplanung, Fahrzeugmodellierung/-steuerung, Imitationslernen und Reinfocement-Lernen. In den Tutorien wird das erworbene Wissen durch die Implementierung verschiedener Deep-Learning-basierter Ansätze zur Wahrnehmung und sensomotorischen Steuerung im Kontext des autonomen Fahrens vertieft. Um dieses Ziel zu erreichen, werden wir auf bestehenden Simulationsumgebungen und etablierten Deep-Learning-Frameworks aufbauen.

Kurs Webseite: https://uni-tuebingen.de/de/123611

Die Studierenden entwickeln ein Verständnis für die Möglichkeiten und Grenzen moderner Lösungen für autonomes Fahren. Sie erlangen ein grundlegendes Verständnis für das Gesamtsystem aus Wahrnehmung, Lernen und Fahrzeugsteuerung. Darüber hinaus sind sie in der Lage, einfache Modelle zur sensorischen Motorsteuerung zu implementieren und zu trainieren.

Related literature will be listed throughout the lecture.