Forschung

Schwerpunkt der Forschung am Institut für Technik Autonomer Systeme ist die Entwicklung autonomer mobiler Roboterplattformen. Derartige Systeme sollen zum Beispiel in die Lage versetzt werden, selbständig in unbekannter, unstrukturierter Umgebung zu navigieren und explorative Aufgaben zu bewältigen.

Übergeordnete Themen

CUDA

GPUs sind hochparallel arbeitende Architekturen mit potentiell tausenden Cores und vielfacher Speicherbandbreite verglichen mit CPUs. Dafür haben sie meistens eine geringere Taktrate, was sich in schlechterer single-thread Performance niederschlägt. Daher eignen sich GPUs hervorragend um den hoch-skalierbaren Teil des Codes auszuführen. Beispielsweise lassen sich Neuronale-Netze effizient auf Grafikkarten trainieren. Dafür steht in unserem Institut ein CUDA-Cluster bereit. Die bevorzugte Programmiersprache für Nvidia-Grafikkarten ist hierbei CUDA. Im Folgenden eine Liste der Anwendungen von CUDA in unserem Institut:

 

  • Erkennung von SIFT-Features
  • Stereoberechnung mittels Semi-Global-Matching
  • Pixelweise Bildsegmentierung zur Verbesserung der Onlinekalibrierung

Optimierung

TODO

Machine Learning

Rekursive Schätzer (Filter)

Filter dienen der Schätzung des wahren Zustands eines Prozesses, von dem nur fehlerbehaftete Messungen zur Verfügung stehen. Zur effizienten Implementierung bietet sich eine rekursive Implementierung an, wenn der zeitliche Zusammenhang zwischen den einzelnen Zuständen näherungsweise durch ein Prozessmodell modelliert werden kann. Mögliche Fehler dieser Annäherung können wiederum explizit modelliert werden. Sind Prozess- und Messmodell linear mit additiven, gauß-verteilten Fehlern liefert der Kalman-Filter eine optimale Schätzung. Als Nebenprodukt stehen Erwartungswerte für Messungen zur Verfügung, mit denen die Plausibilität von Messungen beurteilt werden kann, was auch den Ausschluss von Falschmessungen ermöglicht.