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 ska 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),
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),
hur man implementerar välkända RL-algoritmer, som t.ex. Q-Learning och policy gradient, i ett open-source-kodramverk (PyTorch eller Tensorflow),
hur man tränar, distribuerar och validerar RL/DRL-baserade autonoma köralgoritmer i en simuleringsmiljö.
Behörighetskrav
För tillträde till kursen krävs 90 hp tidigare studier inkluderat 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.
Student som erhållit godkänt resultat på ett prov får ej genomgå förnyat prov.
För studerande som inte blivit godkänd vid ordinarie provtillfälle anordnas förnyat provtillfälle i enlighet med Umeå universitets Regler för betyg och examination på grund- och avancerad nivå (FS 1.1-574-22). Det första omprovet erbjuds senast två månader efter ordinarie provtillfälle. Undantaget de fall då ordinarie prov äger rum i maj eller juni månad, då erbjuds istället ett första omprovstillfälle inom tre månader efter ordinarie provtillfälle. Dessutom erbjuds ytterligare minst ett omprov inom ett år från ordinarie provtillfälle. I de fall prov inte kan upprepas enligt gällande regler för omprov ska det istället ersättas med annan uppgift. Omfattningen av och innehållet i sådan uppgift ska stå i rimlig proportion till det missade provet.
En student som utan godkänt resultat har genomgått två prov för en kurs eller en del av en kurs, har rätt att få en annan examinator utsedd, om inte särskilda skäl talar emot det (6 kap. 22 §, HF). Begäran om ny examinator ställs till prefekten vid institutionen för tillämpad fysik och elektronik.
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.
Examinator kan besluta om avsteg från kursplanens examinationsform. Individuell anpassning av examinationsformen ska övervägas utifrån studentens behov. Examinationsformen anpassas inom ramen för kursplanens förväntade studieresultat. Student som har behov av en anpassad examination ska senast 10 dagar innan examinationen begära anpassning hos kursansvarig institution. Examinator beslutar om anpassad examination som sedan meddelas studenten.
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.
Litteratur
Litteraturlistan är inte tillgänglig via den webbaserade utbildningskatalogen.
Kontakta aktuell institution.
