Project Smart Mobility SystemsModulbeschreibung #50934 / Version 1
- 6 LP
- Internes Praktikum
- Benotet
- Winter- und Sommersemester
- Englisch
| Modul / Version | #50934 / #1 |
|---|---|
| Gültigkeit | Seit SoSe 2025 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Park, Sangyoung |
| Benotung | Benotet |
| Prüfungsform | Internes Praktikum |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät V |
|---|---|
| Institut | Institut für Maschinenkonstruktion und Systemtechnik (IMS) |
| Fachgebiet | 35351900 FG Entwicklung digitaler Verkehrstechnologien / Smart Mobility Systems |
Kontakt
| Sekretariat | Keine Angabe |
|---|---|
| Ansprechpartner*in | Park, Sangyoung |
| E-Mail-Adresse | sangyoung.park@tu-berlin.de |
| Webseite | http://www.tu.berlin/sms |
Lernergebnisse
Dieses Projekt zielt darauf ab, moderne Wahrnehmungsalgorithmen für autonome Fahrzeuge zu implementieren. Der Algorithmus wird auf Grundlage des realitätsnahen Fahrzeugsimulators CARLA umgesetzt, und die Leistung wird auf einer automobilen Rechenplattform getestet. Die Studierenden erwerben praktische Kenntnisse in der Ausführung und Portierung von KI-Algorithmen sowie in automobilen Rechenplattformen.
Lehrinhalte
- Aktuelle Ansätze von 3D-Occupancy-Netzwerken im Bereich autonomes Fahren und Robotik untersuchen.
- Diese Ansätze kurz mit traditionellen, auf der Vogelperspektive (BEV - Bird’s Eye View) basierenden Wahrnehmungsmethoden vergleichen und herausstellen, wie sie die Handhabung von Verdeckungen (Occlusions) und Sensorfusion verbessern.
- Etablierte Occupancy-Netzwerk-Algorithmen implementieren und relevante Machine-Learning-Modelle unter Verwendung realer Datensätze wie Waymo oder nuScenes trainieren, um robuste Repräsentationen der Umgebung zu erzeugen.
- Autonome Fahrszenarien mit der CARLA-Simulationsumgebung erzeugen. Erfassungs- und Sensordaten (z. B. von Lidar und Kamera) aufzeichnen.
- Inferenz auf den im CARLA-Simulator gesammelten synthetischen Daten mit den trainierten Occupancy-Netzwerkmodellen durchführen. Der Schwerpunkt liegt auf der Ausführung des Modells auf einer NVIDIA Jetson AGX Orin Plattform, um eine Echtzeitverarbeitung zu ermöglichen. Dabei wird insbesondere die Leistung des Modells unter Echtzeitbedingungen sowie seine Eignung für den Einsatz in eingebetteten Systemen bewertet.
- Alle Ergebnisse, Erkenntnisse und Schlussfolgerungen klar und umfassend dokumentieren und berichten.
- Diese Ansätze kurz mit traditionellen, auf der Vogelperspektive (BEV - Bird’s Eye View) basierenden Wahrnehmungsmethoden vergleichen und herausstellen, wie sie die Handhabung von Verdeckungen (Occlusions) und Sensorfusion verbessern.
- Etablierte Occupancy-Netzwerk-Algorithmen implementieren und relevante Machine-Learning-Modelle unter Verwendung realer Datensätze wie Waymo oder nuScenes trainieren, um robuste Repräsentationen der Umgebung zu erzeugen.
- Autonome Fahrszenarien mit der CARLA-Simulationsumgebung erzeugen. Erfassungs- und Sensordaten (z. B. von Lidar und Kamera) aufzeichnen.
- Inferenz auf den im CARLA-Simulator gesammelten synthetischen Daten mit den trainierten Occupancy-Netzwerkmodellen durchführen. Der Schwerpunkt liegt auf der Ausführung des Modells auf einer NVIDIA Jetson AGX Orin Plattform, um eine Echtzeitverarbeitung zu ermöglichen. Dabei wird insbesondere die Leistung des Modells unter Echtzeitbedingungen sowie seine Eignung für den Einsatz in eingebetteten Systemen bewertet.
- Alle Ergebnisse, Erkenntnisse und Schlussfolgerungen klar und umfassend dokumentieren und berichten.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Smart Mobility Systems | Projekt | Winter- und Sommersemester | [en] | 4 | ISIS |
Arbeitsaufwand und Leistungspunkte
Smart Mobility Systems (Projekt)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Documentation | 15 | 4 h | 60 h |
| Software/hardware implementation | 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
Lernen durch das Lösen praktischer Ingenieuraufgaben.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Programmiererfahrung (Python, C++ usw.)
Erfahrung mit Frameworks (ROS 1/2, Git, Docker)
Kenntnisse im Bereich autonomes Fahren und idealerweise Computer Vision, Wahrnehmungsalgorithmen
Selbstständige und strukturierte Arbeitsweise
Aufgeschlossener Teamplayer
Erfahrung mit Frameworks (ROS 1/2, Git, Docker)
Kenntnisse im Bereich autonomes Fahren und idealerweise Computer Vision, Wahrnehmungsalgorithmen
Selbstständige und strukturierte Arbeitsweise
Aufgeschlossener Teamplayer
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Internes Praktikum |
| Sprache | Englisch |
| Dauer/Umfang | 30-minütige Präsentation des Projekts Ende August. |
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Winter- und Sommersemester.
Maximale teilnehmende Personen
Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.
Anmeldeformalitäten
Dieses Modul erfordert Zugriff auf die Rechnerhardware unseres Lehrstuhls und daher kann die Teilnehmerzahl beschränkt sein.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Dieses Modul findet in keinem Studiengang Verwendung.
Sonstiges
Keine Angabe