Hörsaalbelegung Klausur

-> Hörsaalbelegung Klausur am 18.09.2023

Prüfung

Die Prüfung für das Sommersemester 2023 findet am 18.09.2023, 09:00 – 10:00 Uhr, statt. Ort der Prüfung ist: 10.81 Engesser-Hörsaal (HS93). Die Hörsaaleinteilung wird rechtzeitig vor der Prüfung hier sowie im Ilias veröffentlicht. Die Anmeldung erfolgt online über das "Studierendenportal des KIT" unter: https://campus.studium.kit.edu

• Bitte beachten: Sie haben die Möglichkeit, die Prüfungsanmeldung unter "angemeldete Prüfungen" auszudrucken. Bitte bringen Sie diesen Ausdruck als Nachweis sicherheitshalber zur Klausur mit.
• Zur Teilnahme an der Klausur ist eine Anmeldung bis zum 11.09.2023 23:59 Uhr, erforderlich. Danach ist eine Anmeldung zur Klausur nicht mehr möglich!
• Teilnehmende, welche sich nicht über das Studierendenportal anmelden können, können sich im Sekretariat des Lehrstuhls (Geb. 40.32, Zi. 140) von 09:00 bis 11:00 Uhr und von 13:00 bis 15:00 Uhr unter Vorlage der Zulassungsbescheinigung des Prüfungsamtes anmelden.
• Abmeldeschluss: bis zum 17.09.2023 23:59 Uhr, online über das "Studierendenportal des KIT", danach ist eine Abmeldung bis zum Beginn der Prüfung persönlich bei der Prüfungsleitung möglich.

Die Klausur dauert 60 min und wird schriftlich durchgeführt. Zur Klausur sind mitzubringen: Studienausweis und Schreibmaterial. Als Hilfsmittel sind einfache wissenschaftliche Taschenrechner erlaubt, programmierbare oder graphische Taschenrechner sind nicht gestattet. Außerdem ist das Mitbringen von Vorlesungsmitschriften, Folienausdrucken, Skripten, Lehrbüchern, Computern, Mobiltelefonen und anderen elektronischen Geräten nicht gestattet.

Beachten Sie bitte, dass auch das neu zur Vorlesung hinzugefügte Kapitel 9 "Entscheidungsfindung unter Unsicherheiten" zu MDPs, Reinforcement Learning und Imitation Learning sowie die Python Beispiele im Git-Repository klausurrelevant sind.

Beschreibung der Vorlesung

Hintergrund:
Die Fahrerassistenz ist auf dem Weg, sich von reinen Fahrdynamik-Regelsystemen, wie dem ABS oder ESP, hin zur Vollautomation zu entwickeln. Zur Realisierung neuer, kundenwertiger Sicherheits- und Komfortsysteme verlagert sich die Primäraufgabe der aktiven Fahreingriffe in Lenkung, Gas und Bremse von der sog. Fahrzeugstabilisierungsebene hin zur sog. Fahrzeugführungsebene, dem neuen Themenfeld moderner Assistenz-Systeme. Hierbei besteht die große Herausforderung darin, den Fahrzeugführer optimal zu unterstützen, ohne ihn zu bevormunden. Der nächste Schritt ist die Fahrautomatisierung, bei welchem die Fahraufgabe zumindest in bestimmten Situationen vollständig übernommen wird. Für hoch- und vollautomatisierte Fahrzeuge besteht die Herausforderung darin, unter gegebenen Unsicherheiten in der Umfeldwahrnehmung und im Verhalten anderer Verkehrsteilnehmer angenehmes, sicheres und voraussehbares Fahrverhalten zu erzeugen.

Ziele:
Die Vorlesung richtet sich an Studentinnen und Studenten des Maschinenbaus sowie benachbarter Studiengänge, die interdisziplinäre Qualifikation in einem zukunftsweisenden Themengebiet erwerben möchten. Sie deckt regelungstechnische, informationstechnische und fahrzeugtechnische Aspekte ab und liefert einen ganzheitlichen Überblick über den Bereich der automatisierten Fahrzeugführung. Praxisrelevante Anwendungsbeispiele aus innovativen und avisierten Fahrerassistenzsystemen vertiefen und veranschaulichen den Vorlesungsinhalt.

Voraussetzungen:
Grundkenntnisse der Regelungstechnik und der Systemtheorie sollten aus „Grundlagen der Mess- und Regelungstechnik“ oder aus Vorlesungen anderer Fakultäten vorhanden sein. Literaturhinweise: Der Foliensatz zur Veranstaltung wird kostenlos bereitgestellt; weitere Empfehlungen werden in der Vorlesung gegeben.

Hinweis:
Jeder Interessent ist herzlich zur Vorlesung eingeladen.

Inhalte:
Teil 1: Fahrerassistenz:
     1)     Einführung in die Fahrerassistenz
     2)     Systembeschreibung und Modellierung
     3)     Assistenzsysteme der Stabilisierungsebene
     4)     Assistenzsysteme der Führungsebene
Teil 2: Fahrautomatisierung:
     5)     Einführung Manöverplanung
     6)     Dynamische Programmierung
     7)     Linear-quadratische Optimierungsprobleme
     8)     Modellprädiktive Regelung
     9)     Entscheidungsfindung unter Unsicherheiten (Markow-Entscheidungsprobleme, Reinforcement Learning, Imitation Learning)

Folien und Beispielprogramme:
Alle relevanten Inhalte wie Folien und Beispielprogramme werden entsprechend des aktuellen Vorlesungsblocks im Bereich "Links" zur Verfügung gestellt. Es wird empfohlen, falls vorhanden, ein eigenes Notebook mitzunehmen, da viele direkt ausführbare Programmbeispiele die Vorlesung begleiten.