Introduction to Mobile Robotics

Worum geht's

Du lernst, wie mobile, vor allem rädergetriebene Roboter ihre Umgebung wahrnehmen, kartieren und sich darin autonom bewegen. Am Ende kannst Du probabilistische Modelle für Sensoren und Bewegung entwickeln, Filterverfahren zur Lokalisierung und SLAM-Verfahren anwenden sowie grundlegende Methoden zur Pfadplanung und Hindernisvermeidung umsetzen.

Was du danach kannst

• Analyse von Navigationssensoren (Ultraschall, LiDAR, Kameras) und Entwurf probabilistischer Sensormodelle
• Entwurf probabilistischer Bewegungsmodelle
• Implementierung probabilistischer Lokalisierungsverfahren (Partikelfilter, diskrete Filter, Kalman-Varianten)
• Erzeugung von Belegungsrasterkarten (Occupancy Grid) aus Sensordaten bei bekannten Posen
• Verständnis und Herleitung des rekursiven Bayes-Filters und Bewertung unterschiedlicher Repräsentationen
• Grundverständnis des SLAM-Problems (landmarkenbasiert, rasterbasiert, graphbasiert)
• Grundkenntnisse zu Motion-Planning und Kollisionsvermeidung
• Fähigkeit, ein Navigationssystem für rädergetriebene mobile Roboter zu entwickeln

Aus was das Modul besteht

• VorlesungVermittlung der Konzepte zu probabilistischen Methoden, SLAM, Sensorik und Planung
• ÜbungenAnwendung der Vorlesungsinhalte an praktischen Beispielen und vertiefende Aufgaben

Lehrmethode

• Vorlesungsfolien, Tafel oder digitale MedienPräsentation der theoretischen Inhalte
• Übungsaufgaben und praktische BeispieleKonsolidierung und Anwendung des Gelernten
• Frage- und Abstimmungsformate (z.B. Online-Polls)Förderung der Teilnahme und Verständnisüberprüfung
• Eigenständige Implementationen grundlegender AlgorithmenVertiefung durch praktische Umsetzung