Siehe TUMonline
Anmerkung: Anmeldung zur Vorlesung via TUMonline

Nach der Teilnahme am Modul haben die Studierenden einen tiefgehenden Einblick in die der Bewegungs-und Verhaltensplanung autonomer Fahrzeuge. Die Studierenden sind in der Lage, die grundlegenden Prinzipien der Bewegungsplanung zu verstehen und dynamische Modelle verschiedener autonomer Fahrzeuge zu generieren. Nach der Teilnahme am Modul haben die Studierenden einen Überblick über die wichtigsten Methoden der Verhaltensplanung sowie der globalen und lokalen Bewegungsplanung. Die Studierenden habe gleichzeitig die mathematischen und technischen Grundlagen verstanden. Des Weiteren können die Studierenden die erlernten Methoden und Kenntnisse im Hinblick auf nachhaltige ökologische, soziale und wirtschaftliche Entwicklung kontinuierlich reflektieren. Die Studierenden sind in der Lage die wichtigsten Herausforderungen in der Bewegungsplanung zu identifizieren und dafür und Lösungsansätze in der Bewegungsplanung zu finden. Darüber hinaus sind die Studierenden in der Lage, reale Messdaten analysieren zu können und passende Algorithmen zur Lösung dieser Probleme entwickeln zu können. Dadurch das das Modul offen für verschiedene Fachdisziplinen ist und transdisiplinäre Fragestellungen aufwirft, sind die Studierenden in der Lage in Teams der eigenen Fachdisziplin, aber auch darüber hinaus in interdisziplinären Teams, die Sprache des jeweils anderen zu verstehen, eigene Entscheidungen zu rechtfertigen und mit Argumenten zu überzeugen.

Das Modul "Autonomous Vehicles: Motion Planning & Decision Making" bietet einen vertieften Einblick in die Methoden und Algorithmen der Bewegungsplanung und Entscheidungsfindung für autonome Fahrzeugen. Wir zeigen hier, wie modernste Technologien und Algorithmen die dynamische und agile Bewegung autonomer Fahrzeuge ermöglichen. Beginnend mit den Grundlagen der Bewegungsplanung und Dynamik, werden Sie Schritt für Schritt in Methoden der Entscheidungsfindung sowie der globalen und lokalen Bewegungsplanung eingeführt. Die Vorlesung deckt alles von graphbasierten Methoden bis hin zu spieltheoretischen Ansätzen bis hin zu Reinforcement Learning ab, um ein umfassendes Verständnis zu vermitteln. Mit den Inhalten der Vorlesung sind Sie in der Lage, komplexe Planungsprobleme zu lösen und Algorithmen zu entwicklen, die intelligente Entscheidungen in unsicheren Umgebungen treffen können. Durch praktische Übungen und realitätsnahe Szenarien wird das theoretische Wissen weiter vertieft.

Als inhaltliche Voraussetzung wird die Vorlesung „Grundlagen Autonomer Fahrzeuge“ empfohlen, da hier die wichtigsten Grundlagen für des Verständnis in der Bewegungsplanung autonomer Fahrzeuge vermittelt werden.

In der Vorlesung werden die Lehrinhalte mittels Vortrags und Präsentation (Power Point) vermittelt. Dabei werden mittels Tablet-PC komplexere Sachverhalte hergeleitet und illustriert. Während der Vorlesung werden explizit Fragen gestellt, die eine Transferleistung von den Studierenden erwarten und bei denen die Studierenden die Möglichkeit bekommen sich zu Wort zu melden und eine etwaige Lösung zu diskutieren. Ebenfalls werden in der Vorlesung einfache Situative Beispiele erläutert, die von autonomen Fahrzeugen bewältigt werden müssen. Diese Beispiele befinden sich primär im Bereich der Straßenfahrzeuge (z. B. Straßenkreuzung in der Innenstadt), wodurch die Studierenden im Anschluss in der Lage sind weitere Problemstellungen anderer autonomer Systeme (z. B. Roboter in der Landwirtschaft) zu analysieren und bewerten.
Jede Vorlesungseinheit wird durch eine anschließende Übungseinheit ergänzt. Die Übung bezieht sich dabei thematisch auf das in der dazugehörigen Vorlesung vorgestellte Thema und vertieft somit die Inhalte der Vorlesung. Die Übung besteht aus Rechenaufgaben (z. B. Berechnung einer Trajektorie) Identifikationsaufgaben (Analysen von Diagrammen z. B. Übertragung von Reifenkräften), Gestaltungsaufgaben (z. B. Welche Komponenten braucht die Entscheidungsfindung im autonomen Fahrzeug) und Identifikationsaufgaben (z. B. Definition von Herausforderungen und Problem in bestimmten Fahrsituationen). Die Aufgaben werden gemeinsam in der Übung bearbeitet und gelöst und im Anschluss mit den Studierenden diskutiert. Ein korrekter und ausführlicher Lösungsweg wird schriftlich bereitgestellt und im Anschluss den Studierenden auf Moodle zur Verfügung gestellt.
Für die Beantwortung von Fragen zu den Einzelterminen und Hausaufgaben wird eine wöchentliche Sprechstunde angeboten, welche in Präsenz oder online wahrgenommen werden kann (Bekanntgabe des Termins über Moodle).

Die Modulprüfung erfolgt in Form einer schriftlichen Klausur (Bearbeitungsdauer 90 min, zugelassene Hilfsmittel: Taschenrechner). Anhand von Kurzfragen werden die Grundlagen zur Bewegungsplanung Autonomer Fahrzeuge überprüft. Anhand von Verständnisfragen und Transferfragen zeigen die Teilnehemenden z. B., dass Sie die einzelnen Algorithmen der Bewegungs-und Verhaltensplanung verstanden haben, reale Messdaten analysieren können und das Verhalten autonomer Fahrzeuge analysieren können.

Pendleton et. al, Perception, Planning, Control, and Coordination for Autonomous Vehicles, Machines 2017, 5(1), 6; https://doi.org/10.3390/machines5010006
Latombe, J.-C. (1991). Robot Motion Planning. Springer US. https://doi.org/10.1007/978-1-4615-4022-9
Mobile Robot: Motion Control and Path Planning. (2023). In A. T. Azar, I. Kasim Ibraheem, & A. Jaleel Humaidi (Eds.), Studies in Computational Intelligence. Springer International Publishing. https://doi.org/10.1007/978-3-031-26564-8