Künstliche Intelligenz in der Fahrzeugtechnik

Siehe TUMonline

Nach der Teilnahme an der Veranstaltung haben die Studierenden einen umfassenden Überblick über die Methoden der künstlichen Intelligenz und des maschinellen Lernens. Die Studierenden sind in der Lage, für verschiedene Problemstellungen das passenden maschinelle Lernverfahren auszuwählen und dieses dann mit entsprechenden Code umzusetzen. Darüber hinaus sind die Studierenden in der Lage, aktuelle Problemstellungen aus der Fahrzeugtechnik (bspw. autonomes Fahren) mittels maschineller Lernverfahren anzugehen.

In der Vorlesung werden alle relevanten Aspekte rund um die Thematik "Künstliche Intelligenz" mit Fokus auf "Maschinelles Lernen" und "Deep Learning" behandelt und dabei praktische Bezüge zur Fahrzeugtechnik hergestellt.
1. Einführung in die Künstliche Intelligenz: Was ist Intelligenz? Was ist Künstliche Intelligenz? Historischer Rückblick, Überblick der KI-Methoden, Überblick der KI-Anwendungen, Einführung in selbstfahrende Fahrzeuge
2. Supervised Learning: Regression
3. Supervised Learning: Classification (Support Vector Machines, k-nearest Neighbours, Decision Trees, )
4. Unsupervised Learning: Clustering: Decision Trees, k-Means
5. Einführung Neuronale Netze: Perceptron,
6. Deep Neuronal Networks: Backpropagation
7. Convolutional Neuronal Networks: Parameter, Filter, Visualization, Pooling
8. Knowledge Graphs
9. Rekurrente Neuronale Netze
10. Transformers
11. Reinforcement Learning
12. AI-Development
13. Gastvortrag

• Besuch der Vorlesung „Grundlagen KFZ" von Vorteil, aber nicht notwendig
• Kenntnisse in der Programmierung mit der Programmiersprache Python notwendig und Voraussetzung zum Verständnis der in der Vorlesung und in der Übung durchgeführten Code-Beispiele --> Empfohlen wird ein Online Kurs für Python bspw. bei learnpython.org (https://www.learnpython.org/)

In der Vorlesung werden die Lehrinhalte mittels Vortrag und Präsentation 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. Damit soll der Überblick über die maschinellen Verfahren vertieft werden und der Transfer zum Anwenden der maschinellen Verfahren auf weitere Problemstellungen erreicht werden. Ebenfalls werden in der Vorlesung einfache Codebeispiele erläutert, die von den Studierenden aktiv mit programmiert werden können. Diese Codebeispiele befinden sich primär im Bereich der Fahrzeugtechnik, wodurch die Studierenden im Anschluss in der Lage sind spezielle Problemstellungen aus dem Bereich der Fahrzeugtechnik mit maschinellen Lernverfahren zu bearbeiten. Nach jeder Vorlesungseinheit werden entsprechende Lern- und Programmieraufgaben in Form einer Hausaufgabe den Studierenden übergeben, die die Thematik der Lerneinheit behandeln und als Vorbereitung für die Prüfung dienen. Zum Beispiel ist dies die Detektion von Fahrspuren im Kapitel 2 Computer Vision oder die Detektion von Fahrzeugen im Kapitel 4 durch Support Vector Machines. Den Studierenden wird durch diese Programmieraufgaben vermittelt, wie maschinelle Lernverfahren in entsprechenden Code umgesetzt werden können und dies dabei gleichzeitig auf Problemstellungen aus der Fahrzeugtechnik anwenden.

In einer schriftlichen Klausur (Bearbeitungsdauer 90 min) sind die vermittelten Inhalte zum einen auf die Grundlagen der maschinellen Lernverfahren sowie auf verschiedene Problemstellungen aus der Fahrzeugtechnik anzuwenden und auf weiterführende Aufgabenstellungen zu übertragen. Die Studierenden sollen in der Klausur beispielsweise nachweisen, dass diese die grundlegenden Mathematik hinter den maschinellen Verfahren verstanden haben und diese entsprechend anwenden können. Ebenfalls sollen die Studierenden nachweisen können, dass sie passende maschinelle Lernverfahren für verschiedene Problemstellungen aus der Fahrzeugtechnik auswählen können und mit dem entsprechenden Code umsetzen können. Hilfsmittel ist hierbei der Taschenrechner. Durch die nach der Vorlesung gestellte Hausaufgabe kann bei Abgabe von 50.00% richtigen Ergebnissen (berechnet aus dem Durchschnittswert aus den erzielten Prozentpunkten über alle Hausaufgaben) ein Notenbonus für die Klausur erzielt werden.

Christopher M. Bishop Neural Networks for Pattern Recognition, 1995

Tom M. Mitchell, Machine Learning, 1997

Christopher M. Bishop, Pattern Recognition and Machine Learning, 2007

David Barber, Bayesian Reasoning and Machine Learning, 2012

Michael Nielsen Neural Networks and Deep Learning, 2014

Pendelten et. al, Perception, Planning, Control, and Coordination for Autonomous Vehicles, Machines 2017, 5(1), 6; https://doi.org/10.3390/machines5010006