| Lehrinhalt |
Sensordaten in autonomen Systemen sind oft unvollständig oder fehlerbehaftet. Dieses Modul vermittelt die methodischen Grundlagen, um aus verrauschten Daten verlässliche Informationen zu extrahieren und komplexe Systeme zu optimieren.
Im Zentrum steht die Beherrschung von Unsicherheit mittels Gauß-Statistik. Um ein tiefes Verständnis der Algorithmen zu ermöglichen, werden die essentiellen Grundlagen der linearen Algebra (z. B. Transformationen, Eigenwerte) und der Wahrscheinlichkeitstheorie (z. B. bedingte Wahrscheinlichkeiten, Bayes-Theorem, Gaußverteilung) gezielt wiederholt, vertieft und im Kontext der Robotik und KI angewendet.
Lernziele & Kompetenzen
Nach Abschluss des Moduls können die Studierenden:
- Grundlagen auffrischen und vertiefen: Mathematische Konzepte der linearen Algebra und Wahrscheinlichkeitstheorie sicher auf Robotik- und KI-Anwendungen übertragen und anwenden.
- Zustände schätzen: Physikalische Bewegungsabläufe in Zustandsraummodelle überführen und mittels Kalman-Filtern (KF/EKF) Position, Geschwindigkeit sowie Orientierung bestimmen.
- Daten analysieren: Die Hauptkomponentenanalyse (PCA) algorithmisch anwenden, um hochdimensionale Sensordaten zu komprimieren und relevante Muster zu extrahieren.
- Stochastisch optimieren: In komplexen Suchräumen mittels Evolutionsstrategien (CMA-ES) optimale Parameter (z.B. Steuerungs- und Designparameter) finden.
- Implementieren: Die behandelten Algorithmen eigenständig in Python und NumPy umsetzen.
- Methodisch lösen: Systematisch mit Nichtlinearität, Sensorrauschen und Modellunsicherheiten in autonomen Systemen umgehen.
Prüfungsform: Klausur 100% (Beleg als Voraussetzung zur Zulassung) |
