zurück zur Suche

TurtleBot: Reinforcement Learning on a Real System

ED110251Aerospace Lab Courses (Labormodule)4 ECTSEnglischWintersemesterProfessur für Raumfahrzeugkontrolle (Prof. Kochdumper)
KI-überarbeitetes Infoblatt. Auf Basis der TUMonline-Modulbeschreibung, sprachlich aufbereitet.Original in TUMonline

Worum geht's

Du lernst, wie mobile Roboter ihre Position bestimmen, ihre Umgebung kartieren und sich autonom bewegen. Dazu arbeitest du mit Messdaten, modellierst die Dynamik eines TurtleBots und setzt Steuerung sowie Reinforcement Learning in ROS um. Am Ende entwickelst und bewertest du im Team einen Reinforcement-Learning-Agenten für die autonome Fahrt auf einer Rennstrecke.

Was du danach kannst

  • Grundprinzipien von Lokalisierung, Systemdynamik, Regelung und Reinforcement Learning erklären
  • Lokalisierungs- und Kartierungsmethoden zur Zustandsschätzung eines mobilen Roboters anwenden
  • Dynamische Modelle robotischer Systeme anhand experimenteller Daten bestimmen und analysieren
  • Regelalgorithmen und Robotersoftware mit ROS entwerfen und implementieren
  • Reinforcement-Learning-Agenten für die autonome Navigation entwickeln, trainieren und bewerten
  • Wahrnehmung, Regelung und Lernen zu einem autonomen Robotersystem integrieren
  • Technische Ergebnisse in Berichten und gemeinsamer Projektarbeit verständlich vermitteln

Aus was das Modul besteht

  • VorbereitungDu bereitest die Inhalte vor den Terminen selbstständig anhand des bereitgestellten Materials vor.
  • ÜbungsblätterIn den ersten drei Kurseinheiten vertiefst du die theoretischen Inhalte und bereitest dich auf die Laborübungen und das Abschlussprojekt vor.
  • Praktische GruppenarbeitIn Gruppen von höchstens vier Personen bearbeitest und besprichst du Aufgaben zu den Kursthemen.
  • LaborübungenIn den ersten drei Kurseinheiten setzt du die Inhalte in praktischen Übungen am TurtleBot um.
  • AbschlussprojektIm Team entwickelst, implementierst und bewertest du eine Reinforcement-Learning-Lösung für die autonome Navigation eines TurtleBots.

Lehrmethode

  • Selbstständige VorbereitungDu arbeitest dich anhand der bereitgestellten Materialien in die Inhalte der jeweiligen Termine ein.
  • Individuelle ÜbungsblätterDu festigst theoretische Konzepte und übst Fähigkeiten, die du für Labor und Abschlussprojekt brauchst.
  • Praktische Arbeit in KleingruppenDu bearbeitest Aufgaben gemeinsam mit höchstens drei weiteren Studierenden und besprichst die Ergebnisse.
  • Teamprojekt mit Bericht und QuellcodeDu entwickelst und bewertest mit deinem Team einen Reinforcement-Learning-Agenten für die autonome Navigation.

Termine

PraktikumTurtleBot: Reinforcement Learning on a Real System3 Gruppen zur Wahl

  • Di.09:00–10:00Externer Ort (siehe Anmerkung)einmalig am 20.10.
  • Gruppe 1Di.09:00–11:30Externer Ort (siehe Anmerkung)
    6× · 03.11.–26.01.
    • 03.11.
    • 17.11.
    • 01.12.
    • 15.12.
    • 12.01.
    • 26.01.
  • Gruppe 2Di.12:00–14:30Externer Ort (siehe Anmerkung)
    6× · 03.11.–26.01.
    • 03.11.
    • 17.11.
    • 01.12.
    • 15.12.
    • 12.01.
    • 26.01.
  • Gruppe 3Di.15:00–17:30Externer Ort (siehe Anmerkung)
    6× · 03.11.–26.01.
    • 03.11.
    • 17.11.
    • 01.12.
    • 15.12.
    • 12.01.
    • 26.01.

Aus dem laufenden Semester, unverbindlich. Von mehreren Gruppen besucht man eine; der Stundenplan schlägt automatisch die mit den wenigsten Überschneidungen vor.

Modulbewertungen

Noch keine Bewertungen für dieses Modul.

Modul bewerten

Fülle nur die Kategorien aus, die du beurteilen kannst – je Kategorie entweder Sterne und Text zusammen oder gar nichts.

Vorlesung
Übung
Prüfung

Bewertungen werden vor der Veröffentlichung automatisch geprüft.

Offizielle Seite in TUMonline · Angaben unverbindlich.