Differences
This shows you the differences between two versions of the page.
Both sides previous revision Previous revision | Next revision Both sides next revision | ||
teaching:le-iis_ws14 [2014/08/27 09:29] amaldo |
teaching:le-iis_ws14 [2014/09/22 09:14] jworch |
||
---|---|---|---|
Line 15: | Line 15: | ||
---- | ---- | ||
- | Die Vorlesung beschäftigt sich mit aktuellen Techniken zur Implementierung von technischen kognitiven Systemen, das heißt mit intelligenten Computersystemen, die über Sensoren und Aktuoren verfügen. Solche Systeme werden vor allem in Bereichen wie der Service-Robotik, in autonomen Raumsonden, in intelligenten Wohn- und Arbeitsbereichen und in Fahrerassistenzsystemen eingesetzt. | + | Die Vorlesung beschäftigt sich mit aktuellen Techniken zur Implementierung von technischen kognitiven Systemen, das heißt mit intelligenten Computersystemen, die über Sensoren und Aktuatoren verfügen. Solche Systeme werden vor allem in Bereichen wie der Service-Robotik, in autonomen Raumsonden, in intelligenten Wohn- und Arbeitsbereichen und in Fahrerassistenzsystemen eingesetzt. |
Es werden folgende Themen behandelt: | Es werden folgende Themen behandelt: | ||
* Sensoren, Aktuatoren und physikalische Infrastrukturen von technischen kognitiven Systemen (u.a. Smart Sensors, Sensornetzwerke) | * Sensoren, Aktuatoren und physikalische Infrastrukturen von technischen kognitiven Systemen (u.a. Smart Sensors, Sensornetzwerke) | ||
* Berechnungsmodelle zur Steuerung technischer kognitiver Systeme: dynamisches Systemmodell, rationales Agentenmodell, das Berechnungsmodell der technischen kognitiven Systeme | * Berechnungsmodelle zur Steuerung technischer kognitiver Systeme: dynamisches Systemmodell, rationales Agentenmodell, das Berechnungsmodell der technischen kognitiven Systeme | ||
- | * Grundlagen probabilistischer Zustandsschätzung: Bayes-Filter, Kalman-Filter, Partikel- Filter, Mechanism en zur Datenassoziation, Lernen von Sensor- und Aktionsmodellen, Hidden Markov Modelle, Expectation Maximization | + | * Grundlagen probabilistischer Zustandsschätzung: Bayes-Filter, Kalman-Filter, Partikel- Filter, Mechanismen zur Datenassoziation, Lernen von Sensor- und Aktionsmodellen, Hidden Markov Modelle, Expectation Maximization |
* Anwendungen probabilistischer Zustandsschätzung: Selbstlokalisierung, Umgebungskartierung, Objektverfolgung | * Anwendungen probabilistischer Zustandsschätzung: Selbstlokalisierung, Umgebungskartierung, Objektverfolgung | ||
* Programmiermethoden für technische kognitive Systeme: nebenläufig reaktive Steuerungsmechanismen; Wissens- und planbasierte Steuerungstechniken | * Programmiermethoden für technische kognitive Systeme: nebenläufig reaktive Steuerungsmechanismen; Wissens- und planbasierte Steuerungstechniken | ||

Prof. Michael Beetz PhD
Head of Institute
Managing Directors:
Dr. habil. Hagen Langer
Sabine Veit
http://ai.uni-bremen.de
Youtube Channel
Impressum
News
Open Knowledge for
AI-enabled robots