System och algoritmer för autonoma fordon, 7,5 hp

Innehåll

Autonoma fordon (Autonomous Vehicles) kan handla om personbilar, lastbilar, drönare eller olika typer av specialfordon, t.ex mobila robotar. Utvecklingen av autonoma fordon kan leda till omställningar inom flera branscher inom en inte alltför avlägsen framtid. Ett autonomt fordon är utrustat med inbyggda processorer och sensorer som kan registrera omgivningen, utföra sensorfusion för beslutsfattande, och har kontinuerlig styrning och reglering. Kursen ger en fördjupad introduktion till autonoma fordon där både algoritmer för Artificiell Intelligens (AI) och deras systemaspekter studeras.

De områden som behandlas inkluderar: nyckelbegrepp inom rörelseplanering för autonom körning baserad på uppfattningsinformation, nyckelbegrepp inom maskininlärning (ML), särskilt förstärkt lärande (Reinforcement Learning, RL) och djupförstärkningslärande (Deep Reinforcement Learning, DRL). Praktiska övningar med någon av de populära open-source ML-ramverken (Tensorflow eller PyTorch). Träning, distribution och validering av ML-baserade autonoma köralgoritmer i en simuleringsmiljö.

Förväntade studieresultat

Efter genomgången kurs skall den studerande kunna:
förstå nyckelbegrepp i processen för perception-planering vid autonom körning (AD). Förstå viktiga begrepp inom maskininlärning (ML), inklusive övervakad inlärning, förstärkt inlärning (RL) och djupt förstärkningslärande (Deep Reinforcement Learning, DRL). Veta hur man definierar Markov Decision Processer (MDP) för att lösa enklare problem. Förstå värde- och policyfunktioner, Bellman-ekvationer, policy-iteration och värde-iteration. Förstå Monte Carlo-metoder, giriga och epsilon-giriga policies och avvägningar i dilemmat; utforskande-utnyttjande (exploration-exploitation). Veta hur man implementerar välkända RL-algoritmer, som t.ex. Q-Learning och policy gradient, i ett open-source-kodramverk (PyTorch eller Tensorflow). Veta hur man tränar, distribuerar och validerar RL/DRL-baserade autonoma köralgoritmer i en simuleringsmiljö.

Behörighetskrav

För tillträde till kursen krävs minst två års avklarade universitetsstudier innefattande kurser inom området Artificell intelligens (AI) eller Maskininlärning om minst 7,5 hp

Undervisningens upplägg

Kursen genomförs i form av föreläsningar och laborationer.

Examination

Kursens betyg; underkänd (U), godkänd (3), icke utan beröm godkänd (4) eller med beröm godkänd (5) bedöms med utgångspunkt från total poäng från laborationsövningar och en skriftlig tentamen. För betyget (3) krävs minst 50% av maxpoäng. För betyget (4) krävs minst 65% av maxpoäng. För betyget (5) krävs minst 80% av maxpoäng.
Studerande som godkänts vid ett prov får ej undergå förnyat prov för ett högre betyg. För studerande som inte blivit godkända erbjuds ytterligare provtillfällen enligt ett fastställt schema. En student, som utan godkänt resultat har genomgått två prov för en kurs eller en del av en kurs, har rätt att skriftligen ansöka om att få en annan examinator utsedd, om inte särskilda skäl talar emot det (HF 6 kap. 22 §). Ansökanom ny examinator ställs till prefekten vid Institutionen för tillämpad fysik och elektronik.

Avsteg från kursplanens examinationsform kan göras för en student som har beslut om pedagogiskt stöd på grund av funktionsvariation. Individuell anpassning av examinationsformen ska övervägas utifrån studentens behov. Examinationsformen anpassas inom ramen för kursplanens förväntade studieresultat. Efter begäran av studenten ska kursansvarig lärare, i samråd med examinator, skyndsamt besluta om anpassad examinationsform. Beslutet ska sedan meddelas studenten.

Tillgodoräknande
Tillgodoräknande prövas individuellt. I en examen får denna kurs ej ingå tillsammans med annan kurs med likartat innehåll. Vid osäkerhet bör den studerande rådfråga studievägledaren vid institutionen för tillämpad fysik och elektronik.

Övriga föreskrifter

I det fall att kursplan upphör att gälla eller genomgår större förändringar, garanteras studenter minst tre provtillfällen (inklusive ordinarie provtillfälle) enligt föreskrifterna i den kursplan som studenten ursprungligen varit kursregistrerad på under en tid av maximalt två år från det att tidigare kursplan upphört att gälla.