Projektstudium Autonomes Fahren

120 Präsenzstunden, 150 Stunden Erstellen der Projektarbeit, 30 Stunden Vorbereitung der eigenen Vorträge.

Grundlegende Kenntnisse des maschinellen Lernens

Lernziele: Ziel des Moduls ist das Trainieren des Einsatzes von Arbeitspraktiken und Techniken der Projektabwicklung sowie des situativen Lernens anhand eines konkreten, komplexeren Projektes aus dem Bereich Autonomes Fahren im Schwerpunkt Maschinelles Lernen unter realitätsnahen Bedingungen.

Kompetenzen: Fähigkeit komplexe technische Problemstellungen des Maschinellen Lernens zu analysieren, Lösungsansätze zu entwerfen, in Teamarbeit zu implementieren, zu testen und das Ergebnis zu präsentieren.

Die Themen der Lehrveranstaltungen sollen so gewählt werden, dass ein effektives Arbeiten und die termingerechte Zielerreichung möglich ist. Eine Beteiligung an Projekten der betrieblichen Praxis wird angestrebt.

Aspekte der Projektentwicklung, beispielsweise: Anforderungsdefinition, Einrichten einer Projekt-Infrastruktur, Konfigurationsmanagement, Change-Management, Entwicklung, Qualitätssicherung, Abnahme der Projektergebnisse.

In Referaten stellen die Teilnehmer den Entwicklungsprozess, sowie Soft- und Hardware-komponenten des zu entwickelnden Systems vor, wie beispielsweise:

• Anforderungsmanagement
• Projektmanagement
• Qualitätssicherung
• SW-Entwicklungsprozess
• Objekterkennung mit Deep Learning: Aufnahme und (semi-)automatisches Labeln der Bilder, Trainieren und Evaluieren der DNNs, Optimierung der Inferenz auf der Zielhardware
• Lane Following mit Deep Reinforcement Learning
• Bildverarbeitung und Mustererkennung
• Simulation und Modellbildung
• Kollisionserkennung
• SLAM-Algorithmen mit Deep Learning
• Schnittstellen

Die Themen der Lehrveranstaltungen sollen so gewählt werden, dass ein effektives Arbeiten und die termingerechte Zielerreichung möglich ist. Eine Beteiligung an Projekten der betrieblichen Praxis oder an studentischen Wettbewerben wird angestrebt.

Tafel oder Beamer, multimediale Präsentationen, Groupware, Scrum-Karten, Sitzungen, Projektspezifische Arbeitsleistung, Fallstudien

• Foster D.: Generative Deep Learning, O'Reilly, Sebastopol, CA.
• Lapan M.: Deep Reinforcement Learning: Das umfassende Praxis-Handbuch, MITP, Frechen.
• Süß G., Ehrl-Gruber B.: Praxishandbuch Projektmanagement, WEKA, Augsburg.
• Kellner H.: Die Kunst DV-Projekte zum Erfolg zu führen, Hanser, München.
• DeMarco T., Lister T.: Wien wartet auf dich, Hanser, München.
• Weitere Literatur je nach Projekt.