Sensor SystemsModulbeschreibung #50891 / Version 4
- 6 LP
- Portfolioprüfung
- Benotet
- Sommersemester
- Englisch, Deutsch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v5)
| Modul / Version | #50891 / #4 |
|---|---|
| Gültigkeit | SoSe 2025 – WiSe 2025/26 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Berth, Christian |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch, Deutsch |
Zugehörigkeit
| Fakultät | Fakultät V |
|---|---|
| Institut | Institut für Luft- und Raumfahrt |
| Fachgebiet | 35341300 FG Flugführung und Luftverkehr |
Kontakt
| Sekretariat | F 3 |
|---|---|
| Ansprechpartner*in | Berth, Christian |
| E-Mail-Adresse | christian.berth@tu-berlin.de |
| Webseite | https://tu.berlin/ff/ |
Lernergebnisse
Nach erfolgreichem Abschluss des Moduls verfügen die Studierenden über:
Wissen:
• Eigenschaften, Funktionalität und Anwendungen von Sensoren wie LIDAR, RADAR und Kameras, speziell in autonomen Systemen.
• Mathematische und physikalische Prinzipien elektromagnetischer Wellen und der Signalausbreitung.
• Grundlagen der Sensordatenerfassung, -verarbeitung und -fusion.
• Sensordatengestützte Methoden der Zustandserfassung und Navigation, z. B. SLAM, Optical Flow
• Machine Learning Techniken zur sensorgestützten Objekterkennung, -klassifikation und -segmentierung.
• Herausforderungen in der autonomen Navigation, Hinderniserkennung und Umgebungswahrnehmung.
Fähigkeiten:
• Verarbeitung von Rohdaten aus LIDAR-, RADAR-, IMU- und Kamerasensoren zu verwendbaren 2D- und 3D-Informationen.
• Integration und Synchronisation von Daten mehrerer Sensoren.
• Nutzung und Entwicklung von Algorithmen zur Sensordatenverarbeitung, Zustandserfassung und Navigation.
• Integration von Machine Learning zur Lösung spezifischer Aufgaben.
• Implementierung von ROS2-basierten Systemen für eine einfache Kommunikation zwischen Sensoren und Auswertungsprogrammen.
Kompetenzen:
• Umgang mit Herausforderungen in (multi-)sensorgestützten Systemen, einschließlich Rauschen, Datenauflösung, Latenz und Umwelteinflüssen.
• Auswahl geeigneter Sensoren und Algorithmen zur Lösung sensorgestützter Navigations- und Erkennungsprobleme in kleinen Teams.
• Analyse und Test der Systemperformance.
Wissen:
• Eigenschaften, Funktionalität und Anwendungen von Sensoren wie LIDAR, RADAR und Kameras, speziell in autonomen Systemen.
• Mathematische und physikalische Prinzipien elektromagnetischer Wellen und der Signalausbreitung.
• Grundlagen der Sensordatenerfassung, -verarbeitung und -fusion.
• Sensordatengestützte Methoden der Zustandserfassung und Navigation, z. B. SLAM, Optical Flow
• Machine Learning Techniken zur sensorgestützten Objekterkennung, -klassifikation und -segmentierung.
• Herausforderungen in der autonomen Navigation, Hinderniserkennung und Umgebungswahrnehmung.
Fähigkeiten:
• Verarbeitung von Rohdaten aus LIDAR-, RADAR-, IMU- und Kamerasensoren zu verwendbaren 2D- und 3D-Informationen.
• Integration und Synchronisation von Daten mehrerer Sensoren.
• Nutzung und Entwicklung von Algorithmen zur Sensordatenverarbeitung, Zustandserfassung und Navigation.
• Integration von Machine Learning zur Lösung spezifischer Aufgaben.
• Implementierung von ROS2-basierten Systemen für eine einfache Kommunikation zwischen Sensoren und Auswertungsprogrammen.
Kompetenzen:
• Umgang mit Herausforderungen in (multi-)sensorgestützten Systemen, einschließlich Rauschen, Datenauflösung, Latenz und Umwelteinflüssen.
• Auswahl geeigneter Sensoren und Algorithmen zur Lösung sensorgestützter Navigations- und Erkennungsprobleme in kleinen Teams.
• Analyse und Test der Systemperformance.
Lehrinhalte
Vorlesungen:
• Übersicht über Sensoren und Koordinatensysteme
• Grundlagen elektromagnetischer Wellen und Signale
• RADAR (Pulsradar, FMCW)
• LIDAR und Verarbeitung von Punktwolken
• Optische Sensoren: EO/IR, Monokular- und Stereokameras
• Machine Learning Techniken zur Sensordatenverarbeitung
• Grundlagen der Zustandsbestimmung und Navigation (z.B. Kalman Filter)
• Sensorfusion, Herausforderungen und Systemperformance
• Grundlagen des Trackings (z.B. mit RADAR / Camera)
Übungen:
• Einführung in ROS2 (Python/C++)
• Elektromagnetische Wellen
• FMCW-Radar-Demo
• Verarbeitungstechniken für LIDAR-Punktwolken
• Kameras: Kalibrierung, Bildverarbeitung mit OpenCV
• Maschinelles Lernen: Datensatzgenerierung, Modellaufbau
• Objekterkennung mit YOLO
• Navigation basierend auf Sensordaten (z.B. SLAM / Optical Flow)
• Tracking von Objekten
Projekt:
• Nutzung, Modifikation und Implementierung von Algorithmen auf Basis von Sensordaten, um ein Fahrzeug eine spezifische Aufgabe ausführen zu lassen (in Kleingruppen).
• Übersicht über Sensoren und Koordinatensysteme
• Grundlagen elektromagnetischer Wellen und Signale
• RADAR (Pulsradar, FMCW)
• LIDAR und Verarbeitung von Punktwolken
• Optische Sensoren: EO/IR, Monokular- und Stereokameras
• Machine Learning Techniken zur Sensordatenverarbeitung
• Grundlagen der Zustandsbestimmung und Navigation (z.B. Kalman Filter)
• Sensorfusion, Herausforderungen und Systemperformance
• Grundlagen des Trackings (z.B. mit RADAR / Camera)
Übungen:
• Einführung in ROS2 (Python/C++)
• Elektromagnetische Wellen
• FMCW-Radar-Demo
• Verarbeitungstechniken für LIDAR-Punktwolken
• Kameras: Kalibrierung, Bildverarbeitung mit OpenCV
• Maschinelles Lernen: Datensatzgenerierung, Modellaufbau
• Objekterkennung mit YOLO
• Navigation basierend auf Sensordaten (z.B. SLAM / Optical Flow)
• Tracking von Objekten
Projekt:
• Nutzung, Modifikation und Implementierung von Algorithmen auf Basis von Sensordaten, um ein Fahrzeug eine spezifische Aufgabe ausführen zu lassen (in Kleingruppen).
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Sensor Systems for UAS | Integrierte Veranstaltung | Sommersemester | [de] | 4 | ISIS |
Arbeitsaufwand und Leistungspunkte
Sensor Systems for UAS (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 4 h | 60 h |
| Vor-/Nachbereitung | 15 | 8 h | 120 h |
| 180 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Vorlesungen:
• Präsentationen mit Beispielen
Tutorien:
• Präsentationen mit Beispielen
• Demonstrationen
• Betreute Implementierung/Nutzung von Algorithmen und Software
Projekt:
• Bearbeitung individueller Aufgaben in Kleingruppen
• Präsentationen mit Beispielen
Tutorien:
• Präsentationen mit Beispielen
• Demonstrationen
• Betreute Implementierung/Nutzung von Algorithmen und Software
Projekt:
• Bearbeitung individueller Aufgaben in Kleingruppen
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
• Grundlegende Kenntnisse in Python und/oder C++, vorzugsweise auch in ROS2
• Grundlagen Flugführung und Luftverkehr
• Aircraft Navigation
• Lineare Algebra
• Analysis I
• Grundlagen der Elektrotechnik
• Grundlagen Flugführung und Luftverkehr
• Aircraft Navigation
• Lineare Algebra
• Analysis I
• Grundlagen der Elektrotechnik
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Französisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| EXAM | 1 | flexibel | 1.5h |
| PROJECT | 1 | flexibel | Gruppenarbeit |
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Sommersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 25.
Anmeldeformalitäten
Anmeldung zur Lehrveranstaltung:
- In der ersten Vorlesung oder Übung
Anmeldung zur Prüfung:
- Anmeldung über QISPOS
- In Ausnahmefällen über das Prüfungsamt
Die Anmeldefristen sind im StuPo zu finden bzw. werden bekannt gegeben.
- In der ersten Vorlesung oder Übung
Anmeldung zur Prüfung:
- Anmeldung über QISPOS
- In Ausnahmefällen über das Prüfungsamt
Die Anmeldefristen sind im StuPo zu finden bzw. werden bekannt gegeben.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
- Handbook of Microwave and Radar Engineering, Anatoly Belous
- Introduction to Data Mining, Pang-Ning Tan, Anuj Karpatne, Michael Steinbach, Vipin Kumar
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Luft- und Raumfahrttechnik StuPO 2018 | SoSe 2025 | 3. Profilmodule › 3.4 Flugführung und Luftverkehr |
| WiSe 2025/26 | 3. Profilmodule › 3.4 Flugführung und Luftverkehr | |
| SoSe 2026 | 3. Profilmodule › 3.4 Flugführung und Luftverkehr |
Sonstiges
Keine Angabe