Softwareentwicklung für Autonomes Fahren (Modul MW2472, online)

Kontakt

Kontaktadresse:  vl.adse.ftm@ed.tum.de

Online verfügbar

Die Vorlesung wird im Sommersemester als Video aufgezeichnet und ist über moodle abrufbar. Im Wintersemester wird neben der aufgezeichneten Vorlesung zu jedem Termin eine Online-Sprechstunde angeboten.
Online verfügbar über: Softwareentwicklung für Autonomes Fahren

Im Wintersemester 2021/22 wird die Vorlesung nur online mit einer virtuellen Sprechstunde angeboten.

Vortragende/r (Mitwirkende/r)
Nummer0000001646
ArtVorlesung
Umfang2 SWS
SemesterWintersemester 2021/22
UnterrichtsspracheDeutsch
Stellung in StudienplänenSiehe TUMonline
TermineSiehe TUMonline

Termine

Teilnahmekriterien

Lernziele

Nach der Teilnahme am Modul haben die Studierenden einen umfassenden Überblick über die Softwaremodule und weiterführende essentielle Bestandteile einer Software für das autonomen Fahren aufgeteilt in einzelne Softwaremodule. Die Studierenden sind in der Lage für jedes Softwaremodul das passende Verfahren aus dem Stand der Technik auszuwählen und anzuwenden und verfügen über ein tiefgehendes Verständnis der Funktionsweise. Darüber hinaus haben die Studierenden die Fähigkeit den zugehörigen Code zu applizieren und dessen Funktionalität zu interpretieren und weiterzuentwickeln. Weiterführende essentielle Bestandteile der Softwareentwicklung können die Studierenden beschreiben und sie zweckbestimmt auf die jeweilige Problemstellung anwenden.

Beschreibung

In der Vorlesung werden alle relevanten Aspekte rund um die Softwareentwicklung für das autonome Fahren behandelt und die zugehörige praktische Anwendung aufgezeigt. 1. Introduction Historischer Rückblick, Ebenen der Fahraufgabe, Automatisierungsgrad, Fahrzeugkommunikation, Middleware 2. Perception I: Mapping SLAM, HD-Maps 3. Perception II: Localization GPS, Filter, Visuelle Lokalisierung 4. Perception III: Object Detection Datensätze, Objekttypen, Kamera, Lidar, Radar Detection, Sensorfusion 5. Prediction Ebenen der Prädiktion, Bezug zu Planning, Planungs- & Musterbasierte Methoden 6. Planning I: Global Path Planning Navigationsaufgabe, Suchmethoden 7. Planning II: Local Path and Behavior Planning Kostenfunktion, Entscheidungsfunktion, Trajektoriengenerierung 8. Control Regelgrößen, klassische Regler, MPC 9. Integrated Modules & End-to-End Motivation, Learning from Demonstration, integrale Module 10. Teleoperated Driving Notwendigkeit, Konzept, Verbindungsaufbau, Nutzeranfoderungen 11. Safety Assessment Szenarientests, Virtuelle Absicherung, Supervisor Prinzip 12. Human Factors Nutzeranforderung, Fahrkomfort User Experience, Akzeptanz

Inhaltliche Voraussetzungen

Besuch der Vorlesungen Grundlagen der Fahrzeugtechnik, Künstliche Intelligenz in der Fahrzeugtechnik, Fahrerassistenzsysteme im Kraftfahrzeug, Dynamik der Straßenfahrzeuge oder jeweils ähnlicher Veranstaltungen werden stark empfohlen, um der Bandbreite an Inhalten folgen zu können. 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/)

Lehr- und Lernmethoden

In der Vorlesung werden die theoretischen Grundlagen 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 Methoden der einzelnen Softwaremodule für Autonomes Fahren vertieft werden und der Transfer zum Anwenden auf weitere Problemstellungen erreicht werden. Ebenfalls werden in der Vorlesung Codebeispiele erläutert, die von den Studierenden aktiv mit programmiert werden können. Diese Codebeispiele stellen die praktische Umsetzung zuvor eingeführte Methoden dar und verknüpfen Theorie und Praxis, um den Studierenden den Softwareentwicklungsprozess ganzheitlich zu vermitteln. 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 SLAM-Algorithmus in Kapitel 2 zu initialisieren oder in Kapitel 7 sind die Parameter einer Kostenfunktion zur Trajektorienplanung zu optimieren. Die Programmieraufgaben knüpfen an die Inhalte des Moduls an und stärken die Fähigkeiten zur praktischen Anwendung und Bewertung. Für die Beantwortung von Fragen zu den Einzelterminen und Hausaufgaben wird eine wöchentliche Online-Sprechstunde angeboten (Bekanntgabe des Termins über Moodle).

Studien-, Prüfungsleistung

In einer schriftlichen Klausur (Bearbeitungsdauer 90 min) sind die vermittelten Kompetenzen auf die Problemstellungen der funktionalen Module für autonomes Fahren anzuwenden und auf weiterführende Aufgabenstellungen zu übertragen. Die Studierenden sollen in der Klausur beispielsweise aus dem Gebiet der Pfadplanung entsprechende Methoden und Algorithmen auswählen und anschließend deren Funktionalität erklären können. Des Weiteren soll der Übertrag auf neue weiteführende komplexere Problemstellungen erfolgen. Erlaubtes Hilfsmittel ist hierbei der Taschenrechner (nicht-programmierbar). 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 gemäß APSO §5, Absatz 5 für die Klausur erzielt werden.

Empfohlene Literatur

J. Betz et al., “A Software Architecture for an Autonomous Racecar,” in 2019 IEEE 89th Vehicular Technology Conference (VTC2019-Spring), 2019, pp. 1–6. J. Betz et al., “A Software Architecture for the Dynamic Path Planning of an Autonomous Racecar at the Limits of Handling,” in 2019 IEEE International Conference on Connected Vehicles and Expo (ICCVE), 2019, pp. 1–8. S. Pendleton et al., “Perception, Planning, Control, and Coordination for Autonomous Vehicles,” Machines, vol. 5, no. 1, p. 6, 2017, doi: 10.3390/machines5010006. M. Maurer, B. Lenz, H. Winner, and J. C. Gerdes, Autonomous Driving: Technical, Legal and Social Aspects. s.l.: Springer, 2016. M. H. Daniel Watzenig, Ed., Automated Driving: Springer International Publishing, 2017. A. Faisal, T. Yigitcanlar, M. Kamruzzaman, and G. Currie, “Understanding autonomous vehicles: A systematic literature review on capability, impact, planning and policy,” JTLU, vol. 12, no. 1, 2019, doi: 10.5198/jtlu.2019.1405.

Links

Open Source

Das Verbreiten von Wissen ist eines der Leitbilder unser Lehrstuhlphilosophie. Aus diesem Grund möchten wird die Lehrveranstaltung vollständig zum freien Zugang zur Verfügung stellen. Im Folgenden sind die Links zu allen Unterlagen der Vorlesungs- und Übungstermine sowie zugehörige Videos der abgehaltenen Termine kompakt aufgelistet.

Termin Vorlesung Übung
  Unterlagen Video Unterlagen Video
1. Introduction Researchgate Youtube Github -
2. Perception I: Basics of Mapping and Localization Researchgate Youtube Github Youtube
3. Perception II: SLAM Researchgate Youtube Github Youtube
4. Perception III: Detection Researchgate Youtube Github Youtube
5. Prediction Researchgate Youtube Github Youtube
6. Global Planning Researchgate Youtube Github Youtube
7. Local Plannig Researchgate Youtube Github Youtube
8. Control Researchgate Youtube Github Youtube
9. Safety Assessment Researchgate Youtube Github Youtube
10. Teleoperated Driving Researchgate Youtube Github Youtube
11. End-to-End Researchgate Youtube Github Youtube
12. From Driver to Passenger Researchgate Youtube - -

 

Die Aufteilung nach Modalität: