Sensor SystemsModulbeschreibung #50891 / Version 5
- 6 LP
- Portfolioprüfung
- Benotet
- Sommersemester
- Englisch, Deutsch
| Modul / Version | #50891 / #5 |
|---|---|
| Gültigkeit | Seit SoSe 2026 |
| 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
Compulsory area
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 ROS2
• Kenntnisse in Linearer Algebra und Analysis
• Grundlagen der Wahrscheinlichkeitstheorie, Statistik und Signalverarbeitung
• Grundlegende Kenntnisse in Computer Vision und Maschinellem Lernen
• Grundlagen der Zustandsschätzung zur Lokalisierung und Navigation
• Kenntnisse in Linearer Algebra und Analysis
• Grundlagen der Wahrscheinlichkeitstheorie, Statistik und Signalverarbeitung
• Grundlegende Kenntnisse in Computer Vision und Maschinellem Lernen
• Grundlagen der Zustandsschätzung zur Lokalisierung und Navigation
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Englisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| Projekt | 40 | flexibel | Gruppenarbeit (6 Wochen) |
| Test 1 | 30 | schriftlich | 30 min |
| Test 2 | 30 | schriftlich | 30 min |
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 | WiSe 2026/27 | 3. Profilmodule › 3.4 Flugführung und Luftverkehr |
Sonstiges
Keine Angabe