Autonomes Fahren (M.Eng.)- berufsbegleitend

Abschlussmodul (AFbM)

Voraussetzungen:
Die Studierenden fertigen in der Masterarbeit eine wissenschaftliche Arbeit eigenständig an und legen die im
Masterstudium erworbenen ingenieurwissenschaftlichen Fach- und Methodenkompetenzen dar.
Die Studierenden sind in der Lage, ihr Thema schlüssig vorzutragen und Fragen kompetent zu beantworten.

Gesamtziele:

Fachkompetenz
Der Studierende ist in der Lage, wissenschaftlich fundierte Urteile zu fällen und sich in Aufgabenstellungen des
Studiengebietes Autonomes Fahren vertiefend einzuarbeiten, Probleme zu analysieren sowie Lösungen und
Daten zu interpretieren und zu beurteilen. Die Fähigkeiten der Studierenden, die Nutzenargumentation und
theoretische Fundierung klar herauszuarbeiten, werden gefördert. Nach Abschluss des Moduls überblicken die
Teilnehmer den aktuellen Stand der Forschung und die Zusammenhänge ihres Themengebietes.
In einem abschließenden Kolloquium präsentieren die Teilnehmer ihre Abschlussarbeit und positionieren sich in
einem fachlichen Diskurs. Die Präsentation von 30 Minuten umfasst zumindest die Problembeschreibung/
Fragestellung der Arbeit, die theoretischen Bezüge, die eingesetzten Methoden sowie die zentralen Ergebnisse.

Überfachliche Kompetenz
Durch die intensive Kommunikation mit dem Betreuer und dem Ansprechpartner im Betrieb wird die
Sozialkompetenz verbessert. Im Dialog werden Themenwahl, Problemstellung, Zielsetzung und Vorgehen auf
Tragfähigkeit und Plausibilität geprüft. Die Rückmeldungen geben dem Studierenden hilfreiche Hinweise und
etwaige Richtungskorrekturen vor Abgabe des Themas. Der Studierende ist in der Lage, eigenverantwortlich und
termingerecht ein Projekt zu bearbeiten, zu analysieren, zu strukturieren und zu lösen.
Die Präsentation ihrer Schlussfolgerungen vor Fachvertretern stärkt sowohl die soziale Kompetenz als auch das
Selbstvertrauen.

Inhalte:

a) Forschungsmethoden (2 ECTS)
b) Masterarbeit (20 ECTS)
c) Kolloquium zur Masterarbeit (3 ECTS)

Prüfungsleistung/Studienleistung:

Art und Dauer des Leistungsnachweises:

a) Proposal (Umfang 2-3 Seiten)
b) Abhandlung
c) Referat und Mündliche Prüfung 30 min.

Ermittlung der Modulnote:
87 % Masterarbeit, 13 % Kolloquium
Forschungsmethoden unbenotet (muss bestanden werden)

Voraussetzung für die Zulassung zur Modulprüfung:
Der Studierende reicht zusammen mit der Anmeldung eine Kurzfassung (Proposal, Umfang 2-3 Seiten) des
Themas ein.

Die Modulbeschreibung und die detaillierte Information über das Modul finden Sie im Modulhandbuch.

Künstliche Intelligenz /Machine Learning (AFbM)

Voraussetzungen:

Programmierkenntnisse in mind. 1 Programmiersprache, Grundkenntnisse in linearer Algebra, gute Englischkenntnisse

Gesamtziele:

Fachkompetenz
Ziel des Moduls ist es, einen Einblick in die Verfahren des maschinellen Lernens zu geben. Der fachliche Fokus
liegt hierbei auf den Methoden des Deep Learning sowie der Anwendung dieser Verfahren für die Entwicklung
von Wahrnehmungskomponenten. Dabei sollen Kenntnisse über die Funktion und Bewertung der Verfahren vor
allem im Bereich der Computer Vision gegeben werden. Insbesondere soll Verfahren mit datengetriebenen
Wissenserwerb Aufmerksamkeit geschenkt werden.
Qualifikationsziel ist das seminaristische, wissenschaftliche Arbeiten im Bereich der künstlichen Intelligenz.
Darunter fällt z. B. konkrete wissenschaftliche Papiere zu aktuellen Problemen mit der Aufgabe zu bearbeiten,
herauszuarbeiten was z. B. die Trainingsdaten sind, wie die Ein- und Ausgabe eines
Netzes aussieht und wie das verwendete Netz aufgebaut ist.

Überfachliche Kompetenz
Studierende erlernen bzw. festigen die Fähigkeit der wissenschaftlichen Herangehensweise an
Problemstellungen. Darüber hinaus lernen sie, sich im englischsprachigen fachlichen Umfeld zurecht zu finden
und sich Detailwissen zur Lösung spezifischer Probleme selbst anzueignen.

Inhalte:

1. Block

• Grundlagen des maschinellen Lernens, Überblick über klassische Verfahren,
• Begrifflichkeiten
• Einführung in das Tooling für die Praxisphasen: Python, Jupyter Notebook, Python-
• Bibliotheken, Tensor-Flow
• Praxisphase: klassische Verfahren des maschinellen Lernens
• Einführung in neuronale Netze, Inferenz, Training
• Praxisphase: Neuronales Netz mit Numpy

2. Block

• Anforderungen an die Trainingsdaten, Datenvorverarbeitung
• Datenproduktion
• Augmentierung von Daten
• Datenanpassung im Hinblick auf die Netzarchitektur, z.B. Anpassung zeitlicher Daten, zur
• Verarbeitung durch ein CNN alternativ zu einem RNN

3. Block

• Tiefe neuronale Netze
• Praxisphase: Einführung in Tensorflow & Digit Recognition
• Convolutional Neural Networks
• Praxisphase: Verkehrszeichenklassifikation über Deep Learning

4. Block

• Bekannte Netzwerk-Architekturen
• Praxisphase: Keras
• Transfer-Learning
• Praxisphase: Transfer-Learning
• Semantische Segmentierung

5. Block

• Erkennen von Menschen
• Datengewinnung insb. für Absichtenschätzung

6. Block

• Kombination von Verfahren
• Absichtenschätzung

Prüfungsleistung/ Studienleistung:

Art der Lehrveranstaltung: Vorlesung mit integrierten Praxis-Modulen

Art und Dauer des Leistungsnachweises: Lehrveranstaltungsbegleitende Projektarbeit

Ermittlung der Modulnote 100% Projektarbeit

Die Modulbeschreibung und die detaillierte Information über das Modul finden Sie im Modulhandbuch.

Entwicklungsmethoden und Funktionale Sicherheit (AFbM)

Voraussetzungen:

keine

Gesamtziele:

Ziel des Moduls ist es die verschiedenen Normen und Vorgehensweisen zur Gewährleistung der funktionalen
Sicherheit in der Automobilindustrie zu vermitteln. Dies schließt sowohl die verwendeten Entwicklungsmethoden
als auch Methoden zur Verifikation und Validation ein. Besonderes Augenmerk wird dabei auf umfelderfassende
Systeme gelegt.

Inhalte

Modulübergreifende Inhalte
Die Studierenden erlernen die Terminologie zur qualitativen und quantitativen Beschreibung von Sicherheits- und
Zuverlässigkeitszielen. Unter besonderer Berücksichtigung von Fahrzeugfunktionen werden schließlich Methoden
der Verifikation und Validierung behandelt.

a) Entwicklungsmethoden

• Kritische Systeme
• Vorgehensmodelle bei der Entwicklung softwarebasierter Systeme
• Verifikation und Validierung

b) Funktionale Sicherheit

• Funktionale Sicherheit in der Automobilindustrie
• Umfelderfassende Systeme

Prüfungsleistung/Studienleistung:

Art der Lehrveranstaltung: Vorlesung, Labor, Seminar, Übung
Art und Dauer des Leistungsnachweises: Klausur 90 min. zur Vorlesung
Ermittlung der Modulnote: Klausur 100%

Die Modulbeschreibung und die detaillierte Information über das Modul finden Sie im Modulhandbuch.

Fahrzeugkonzepte (AFbM)

Voraussetzungen:

keine

Gesamtziele:

Ziel des Moduls ist es, einen Überblick über die Entwicklung von Interior- und Exterior-Konzepten im
Kontext der Gesamtfahrzeugkonzeption zu geben. Dabei sollen Kenntnisse über Anforderungsermittlung,
Entwurfsmethoden und den Entwicklungsprozess ebenso vermittelt werden, wie Wissen über einzelne Aspekte
der Gestaltung von Interior, Exterior und Human Machine Interfaces.

Inhalte:

• Fahrzeugkonzepte im Wandel der Zeit
• Grundlagen– Bedarf und Lösungen
• Entwicklungsprozesse
• Anforderungsdefinition aus unterschiedlichen Perspektiven
• Fahrzeugkonzeption
• Human-Machine-Interfaces
• Konzeptbewertung
• Entwurf und Ausarbeitung

Prüfungsleistung/Studienleistung:

Art der Lehrveranstaltung: Vorlesung
Art und Dauer des Leistungsnachweises: Klausur 90 Min.
Ermittlung der Modulnote: 100% Klausur

Die Modulbeschreibung und die detaillierte Information über das Modul finden Sie im Modulhandbuch.

Security (AfbM)

Voraussetzungen:

Bisherige Projektergebnisse aus anderen Modulen, die für eine Security-Überarbeitung herangezogen werden können.

Gesamtziele:

Fachkompetenz
Die Studierenden sind in der Lage,

• Best Practices für sichere Software während der Entwicklung von IT-basierten Systemen anzuwenden,
• Akzeptanzkriterien für nicht-funktionale Sicherheitsanforderungen zu entwickeln, Bedrohungsmodellierungen durchzuführen,
• Security Design Patterns für eine sichere Architektur auszuwählen und einzusetzen,
• Software sicher zu installieren und zu betreiben.
• Software auf Sicherheitsschwachstellen hin zu analysieren und vor einem Management-Gremium zu präsentieren.
• Die Wirksamkeit von Maßnahmen zur Verbesserung der Sicherheit in der Entwicklung zu bewerten und ggf. zu verbessern.

Überfachliche Kompetenz
Die Studierenden sind in der Lage,

• In Gruppen gemeinsam zu Entscheidungen und zu Bewertungen zu kommen.
• Auf der Basis bereits erbrachter Teilleistungen aufzusetzen und diese fortzuentwickeln.

Inhalte:

• Grundsätze der sicheren Software-Entwicklung, Vorgehensmodelle und Prozesse, einschlägige Normen
• und Standards
• Sicherheitsanforderungen
• Sicheres Design und Bedrohungsmodellierung, Architekturanalysen, Security Design Patterns
• Sicherheitstests, Penetrationstests, Tools zum Testen
• Sichere Einrichtung und sicherer Betrieb
• Security Response: Umgang mit Schwachstellen, die durch andere entdeckt werden

Prüfungsleistung/Studienleistung:

Art der Lehrveranstaltung: Vorlesung, Projekt, Seminar, Labor
Art und Dauer des Leistungsnachweises: Portfolio

Die Modulbeschreibung und die detaillierte Information über das Modul finden Sie im Modulhandbuch.

Transferprojekt II (AFbM)

Voraussetzungen:

keine

Gesamtziele:

Fachkompetenz
Der Studierende ist in der Lage, sich innerhalb einer vorgegebenen Frist in eine Aufgabenstellung des
Studiengebietes Autonomes Fahren selbständig und vertiefend einzuarbeiten, Probleme zu analysieren und zu
lösen. Der Studierende ist in der Lage eine schriftliche Ausarbeitung nach wissenschaftlichen Grundsätzen zu
erstellen.
Überfachliche Kompetenz
Durch die intensive Kommunikation mit dem Betreuer und den Bezug zur Praxis im Betrieb wird die
Sozialkompetenz verbessert. Im Dialog werden Themenwahl, Problemstellung, Zielsetzung, Vorgehen auf
Tragfähigkeit und Plausibilität geprüft. Die Rückmeldungen geben dem Studierenden hilfreiche Hinweise und
etwaige Richtungskorrekturen vor Abgabe des Themas. Der Studierende ist außerdem in der Lage,
eigenverantwortlich und termingerecht ein Projekt zu bearbeiten und sich selbst zu organisieren.

Inhalte:

Individuell aus dem thematischen Umfeld der Studieninhalte des Masterstudiengang Autonomes Fahren.

Prüfungsleistung/Studienleistung:

Art der Lehrveranstaltung: Projekt

Art und Dauer des Leistungsnachweises: Projektarbeit

Ermittlung der Modulnote: 100 % Projektarbeit

Die Modulbeschreibung und die detaillierte Information über das Modul finden Sie im Modulhandbuch.

Bahnplanung und Bahnfolgeregelung (AFbM)

Voraussetzungen:

Formal: Teilnahme Modul Gesamtsystem Autonomes
Fahren
Inhaltlich: Modellierung und Simulation dynamischer
Zustandsraummodelle, Frequenzkennlinien-basierter
Entwurf von PID-Regler, Fahrdynamikmodelle für Längsund
Querführung, MATLAB/Simulink oder C++, Teamarbeit

Gesamtziele:

Ziel dieses Modul ist es, Fach-, Methoden- und überfachliche Kompetenzen aufzubauen, die für den
Entwurf und die Entwicklung der Bahnplanung und Bahnfolgeregelung als zentrale Softwareschichten
fürs autonome Fahren notwendig sind.

Inhalte:

a) Bahnkurvendefinition und Bahnfolgeregelung

• Laborprojekt Mini-Auto-Drive
• Robot Operating System (ROS)
• Signale und Systeme
• Fahrdynamikmodellierung und –simulation
• Geschwindigkeitsregelung
• Bahnkurvendefinition
• Bahnfolgeregelung

b) Situationsanalyse und Navigation

• Situationsanalyse
• Navigation

Prüfungsleistung/Studienleistung:

Art der Lehrveranstaltung: Vorlesung, Laborarbeit
Art und Dauer des Leistungsnachweises/ Voraussetzungen für die Vergabe von ECTS-Punkten:
a) Projektarbeit Bahnkurvendefinition und Bahnfolgeregelung
b) Projektarbeit Bahn- und Trajektorien Planung

Ermittlung der Modulnote 50% Projektarbeit a), 50% Projektarbeit b)

Die Modulbeschreibung und die detaillierte Information über das Modul finden Sie im Modulhandbuch.

Digitale Ethik und Recht (AFbM)

Voraussetzungen:

keine

Gesamtziele:

Ziel des Moduls ist es, die Studierenden für ethische Fragestellungen beim automatisierten/autonomen Fahren zu
sensibilisieren sowie in rechtlicher Hinsicht einen Überblick sowie Grundkenntnisse der verkehrs- und
datenrechtlichen Ausgangslage des automatisierten/autonomen Fahrens zu vermitteln.

Inhalte:

• Einführung in die Digitale Ethik
• Narrative Ethik: Das autonome Fahren im gesellschaftlichen und kulturwissenschaftlichen Kontext
• Sensibilisierung für ethische Fragestellungen im autonomen Fahrzeug
• Rechtliche Grundlagen
• Die datenrechtliche Komponente
• Recht und Ethik

Prüfungsleistung/Studienleistung:

Art der Lehrveranstaltung: Seminar

Art und Dauer des Leistungsnachweises: Hausarbeit und Referat

Ermittlung der Modulnote: Hausarbeit 100%, Ethik 50%, Recht 50%
Das Kurz-Referat (RE) in Digitaler Ethik muss bestanden werden.

Die Modulbeschreibung und die detaillierte Information über das Modul finden Sie im Modulhandbuch.

Sensordatenfusion und Lokalisierung (AFbM)

Voraussetzungen:

Mathematik mit Schwerpunkt Stochastik

Gesamtziele:

Fachkompetenz
Die Studierenden sind in der Lage, auf Basis des Vorlesungsstoffs für zeitinvariante und zeitvariante
Problemstellung, eine Datenfusion durchzuführen.
Die Studierenden können die Herleitung der Kalman-Filter-Gleichungen nachvollziehen. Die hierzu zu Grunde
liegenden Annahmen kennen und in der Lage sein Kalman-Filter, ROSE-Filter und Partikelfilter zu entwerfen.
Die Studierenden sind in der Lage Probleme aus der Technik in Form von Markov-Modellen und Hidden-Markov-
Modellen zu modellieren und verstehen die Relevanz und die Hintergründe von SLAM für das automatisierte
Fahren.
Die Studierenden können die Herleitung der formalen Problemstellung für Feature-based SLAM nachvollziehen
und sind in der Lage die Anwendung der zuvor erlernten Lösungstechniken Kalman-Filter und Partikelfilter hierauf
zu verstehen.
Überfachliche Kompetenz
Die Studierende sind fähig in praktischen Übungen das Erlernte in einem Mirco Controller zu implementieren.

Inhalte:

a) Sensordatenfusion zeitvarianter und zeitinvarianter Größen
Datenfusion zeitinvarianter Größen
Zustandsraumbeschreibung zeitvarianter Größen
Klassisches und adaptives Kalman-Filter (ROSE-Filter)
Nichtlineare-Filter (Spezielle Gauß-Filter, Partikelfilter)
b) Markov-Kette
Markov-Kette (Nichtdeterministischer Automat)
Hidden-Markov-Kette (Hidden-Markov-Modell)
c) SLAM: Simultaneous Localization and Mapping
Anwendungen von SLAM (Simultaneous Localization and Mapping), insbes. automatisiertes Fahren
Taxonomien
Problemstellung Feature based SLAM
SLAM und Kalman-Filter (EKF SLAM)
SLAM und Partikelfilter (FastSLAM)

Prüfungsleistung/Studienleistung:

Art der Lehrveranstaltung: Vorlesung, Labor, Übung
Art und Dauer des Leistungsnachweises: Klausur 90 min.
Ermittlung der Modulnote: Klausur 100%

Die Modulbeschreibung und die detaillierte Information über das Modul finden Sie im Modulhandbuch.

Transferprojekt I (AFbM)

Voraussetzungen:

keine

Gesamtziele:

Fachkompetenz
Der Studierende ist in der Lage, sich innerhalb einer vorgegebenen Frist in eine Aufgabenstellung des
Studiengebietes Autonomes Fahren selbständig und vertiefend einzuarbeiten, Probleme zu analysieren und zu
lösen. Der Studierende ist in der Lage eine schriftliche Ausarbeitung nach wissenschaftlichen Grundsätzen zu
erstellen.
Überfachliche Kompetenz
Durch die intensive Kommunikation mit dem Betreuer und den Bezug zur Praxis im Betrieb wird die
Sozialkompetenz verbessert. Im Dialog werden Themenwahl, Problemstellung, Zielsetzung, Vorgehen auf
Tragfähigkeit und Plausibilität geprüft. Die Rückmeldungen geben dem Studierenden hilfreiche Hinweise und
etwaige Richtungskorrekturen vor Abgabe des Themas. Der Studierende ist außerdem in der Lage,
eigenverantwortlich und termingerecht ein Projekt zu bearbeiten und sich selbst zu organisieren.

Inhalte:

Individuell aus dem thematischen Umfeld der Studieninhalte des Masterstudiengang Autonomes Fahren.

Prüfungsleistung/Studienleistung:

Art der Lehrveranstaltung Projekt
Art und Dauer des Leistungsnachweises: Projektarbeit
Ermittlung der Modulnote: 100 % Projektarbeit

Die Modulbeschreibung und die detaillierte Information über das Modul finden Sie im Modulhandbuch.

Gesamtsystem Autonomes Fahren (AFbM)

Voraussetzungen:

b) Vorbereitend bitte Kapitel 1 und 2 der Fachliteratur „Föllinger, Regelungstechnik“ lesen

(Föllinger, O.: Regelungstechnik: Einführung in die Methoden und ihre Anwendung VDE Verlag
GmbH, 2016)

Gesamtziele:

Fach- und Methodenkompetenz
Die Studierenden erwerben Grundlagenwissen im Bereich Fahrerassistenzsysteme & Regularien und
beherrschen physikalische Grundbeziehungen der Fahr- und Verkehrsmodelle. Sie ermitteln dynamische
Fahrzeug- und Verkehrsflussveränderungen, bewerten Einflussgrößen auf Fahrverhalten und reflektieren
Eigenschaften & Fähigkeiten automatisierter Fahrvorgänge.
Die Studierenden werden in die Lage versetzt, Steuer- und Regelsysteme zu analysieren und einfache
Simulationsmodelle und Regelungen selbst zu entwerfen und zu implementieren. Sie können Regelstrecken
modellieren und Blockschaltbilder sowie lineare Zustandsbeschreibungen für diese Modelle definieren. Einfach
PID-artige Regler können dimensioniert werden. Für schwieriger gelagerte Regelstrecken sind die Grundlagen
zum Entwurf von Zustandsreglern und Beobachtern gelegt. Einfache nichtlineare Regelstrecken können
linearisiert werden. Die erlernten Verfahren werden mit Hilfe von Matlab/Simulink umgesetzt.

Überfachliche Kompetenz
Die Studierenden erkennen die Motivation und erlernen die Grundlagen automatisierter und autonomer
Fahrvorgänge im Personen- und Güterverkehr. Sie sind in der Lage, sich bei Bedarf in benachbarte, speziellere
Probleme der System- und Simulationstechnik selbständig einzuarbeiten.
7

Inhalte:

a) Future Mobility:

• Einführung in die Längs- und Querdynamik von Fahrzeugen
• Zusammenspiel von Fahrzeug und Umfeld - Grundlagen der Verkehrsmodellierung &
• Mobilitätskonzepte
• Assistenzsysteme zur Beherrschung der Verkehrskomplexität
• Rechtliche Rahmenbedingungen bei Automatisierungs- und Autonomisierungsfunktionen
• Zukünftige Mobilitätskonzepte – Ausblick in Konzepte und Geschäftsmodelle

b) Grundlagen Regelungstechnik / Simulationsmethoden:

• Überblick über den Entwurf und die Modellierung technischer Systeme
• Beschreibung des dynamischen Verhaltens kontinuierlicher Systeme durch Blockdiagramme und deren Analyse im Zeit- und Frequenzbereich
• Eigenschaften von Regel- und Steueralgorithmen, Stabilitätsanalyse, wichtige Entwurfsverfahren für PID-artige Regler (Nyquist-Verfahren, Pol-/Nullstellenkompensation) Zustandsdarstellung linearer Systeme. Steuer- und Beobachtbarkeit
• Einführung in den Entwurf von Zustandsreglern und den Luenberger Beobachter
• Nichtlineare Regelungen: Methoden der Linearisierung, Stabilität
• Entwurfs- und Simulationswerkzeug MATLAB/Simulink

Prüfungleistung/Studienleistung:

Enthaltene Lehrveranstaltungen:
a) Vorlesung Future Mobility (2 ECTS)
b) Vorlesung Grundlagen Regelungstechnik / Simulationsmethoden (3 ECTS)

Art und Dauer des Leistungsnachweises:
a) Klausur (KL) 30 min
b) Klausur (KL) 60 min.

Ermittlung der Modulnote:
40% Future Mobility, 60% Grundlagen Regelungstechnik/ Simulationsmethoden

Modulbeschreibung und detaillierte Informationen über das Modul finden Sie im Modulhandbuch.

Mathematik und Programmierung (AfbM)

Voraussetzungen:
Inhaltlich: Mathematik „auf Bachelor-Niveau“

Gesamtziele:

Fachkompetenz
Die Studierenden erwerben (ggf. durch Vorübungen) ein einheitliches Niveau der höheren Mathematik das als
Voraussetzung für die neuen Inhalte dient.
Die Studierenden beherrschen grundlegende Verfahren der Stochastik mit Fokus auf Bayes’schem WK-Begriff,
Zeitreihen, Zufallsprozesse aber auch Themen der Regelungstechnik wie Laplace-Transformationen.
Die Studierenden sind in der Lage, die mathematischen Hintergründe der folgenden Vorlesungen zu verstehen –
hierzu lernen sie einfache Filter kennen.
Die Studierenden sind in der Lage, grundlegende Entwicklungswerkzeuge (Editor, Compiler, Versionsverwaltung,
Shell, Debugger) anzuwenden.
Die Studierenden sind in der Lage, vorgegebene Algorithmen in objektorientierte Programme zu übertragen.
Die Studierenden sind in der Lage, einfache Aufgabenstellungen zu analysieren und passende Algorithmen zu
entwerfen und zu implementieren.

Überfachliche Kompetenz
Die Studierenden können praxisrelevante Aufgaben (z. B. einfache Bewegungsschätzungen oder
Steuerungsaufgaben) eigenständig analysieren und lösen.
Die Studierenden können Modellierungen, Berechnungen und automatisierte Steuerungen eigenständig
durchführen sowie das Ergebnis auf Richtigkeit prüfen.

Inhalte:

a) Mathematische Grundlagen:

• Grundlagen der Wahrscheinlichkeitsrechnung (bedingte Wahrscheinlichkeiten, Bayes’scher WKBegriff, Erwartungswert, Varianz, Kovarianz, Korrelation) Zufallsprozesse/Zeitreihen, insbesondere Markov-Ketten
• Erstes Kennenlernen von einfachen Filtern, insbesondere Kalman-Filter und Ausblick auf Erweiterungen
• Mathematische Methoden der Regelungstechnik: Fourier-/Laplace-Transformationen, Sprung-/Impulsantwort
• Regelungstechnik in der Programmierung, Programmiertools und -umgebungen, Objektorientierung, Speicherverwaltung, Gerätesteuerung durch Programmierung mit C und C++.

b) Programmiertechnische Grundlagen Regelungstechnik in der Programmierung:

• Programmiertools und –umgebungen
• Objektorientierung
• Speicherverwaltung
• Gerätesteuerung durch Programmierung mit C und C++

Prüfungsleistung/Studienleistung:

Art der Lehrveranstaltung: Vorlesung, Übung, Labor
Art und Dauer des Leistungsnachweises:
a) Klausur (KL) 90 min.
b) Laborarbeit (LA) unbenotet
Ermittlung der Modulnote: Klausur 100 % Präsentation bestanden

Die Modulbeschreibung und die detaillierte Information über das Modul finden Sie im Modulhandbuch.

Sensorik/Embedded Systems and Sensors (AFbM)

Voraussetzungen:

Fähigkeit zum wissenschaftlichen Arbeiten und gute Deutschkenntnisse.

Gesamtziele:

Die Studenten erkennen, dass es verschiedene Methoden gibt, Kleinstrechner (Embedded Systems) mit der
Umwelt (Sensoren) interagieren (Cyber Physical Systems) zu lassen. Sie können dieses Wissen anwenden, um
zu analysieren, welche Art von System benötigt wird und können dieses konstruieren. Sie sind in der Lage zu
beurteilen, welche Teile des Algorithmus in Hardware und welche Teile in Software implementiert werden sollten.
Die Studenten sind in der Lage, eine Problemstellung zu analysieren und die geeigneten
ingenieurwissenschaftlichen Methoden anzuwenden, um dieses Problem zur Lösung zu bringen.

Inhalte:

• Lehrinhalte
• Sensoren
• System on Chip
• Embedded Systems
• Cyber Physical Systems
• Modellierung

Prüfungsleistung/Studienleistung:

Art der Lehrveranstaltung: Vorlesung, Projekt
Art und Dauer des Leistungsnachweises: Klausur 90min.
Ermittlung der Modulnote: Gewichteter Mittelwert

Die Modulbeschreibung und die detaillierte Information über das Modul finden Sie im Modulhandbuch.

Mobility Services (AFbM)

Voraussetzungen:

keine

Gesamtziele:
Studierende kennen existierende Mobilitätsangebote (Öffentlicher Verkehr, Logistikanbieter, Vehicle-/Ride-
Sharing-Angebote, Mobility as a Service) und verstehen deren Funktionsweise. Sie kennen und verstehen
Herausforderungen und Lösungsansätze für den Betrieb unterschiedlicher Mobilitätsangebote – insbesondere
von Flotten-basierten Angeboten. Sie kennen und verstehen Verkehrs- und Flottenmanagement-Systeme (inkl.
Optimierungsmethoden).
Studierende kennen und verstehen Geschäftsmodelle von Mobilitätsdiensten. Sie analysieren bestehende
Geschäftsmodelle und wenden Methoden der Geschäftsmodell-Modellierung an.
Studierende kennen Nutzerbedürfnisse und -verhalten, kennen Faktoren der Usability und Nutzerakzeptanz,
analysieren Usability-Probleme und entwickeln Lösungen für diese Probleme. Dabei wenden sie Methoden des
User-Centered-Designs an. Sie analysieren und beurteilen aktuelle Beispiele anhand dieser Methoden und
setzen die Methoden eigenständig zur Lösung von Problemen ein.
Studierende kennen rechtliche Rahmenbedingungen und ethische Aspekte von Mobility Services und übertragen
diese auf den Betrieb autonomer Mobilitätssysteme. Sie kennen Fragestellungen der Mobilitätsplanung
(Stadtplanung) und kennen Auswirkungen von Mobilitätsdiensten auf Städte. Studierende entwickeln selbst
Lösungen für ausgewählte Mobility-Services-Problemstellungen und beurteilen diese.
Studierende stellen komplexe Themenstellungen aus verschiedenen Perspektiven dar. Sie entwickeln Argumente
und verteidigen diese, sie entwickeln kooperativ Lösungen.

Inhalte:

• Sharing & Mobility as a Service
• Fleets – Serving Mobility Needs
• Public Transit
• Urban logistics
• Digital Business- and Cooperation models
• Legal Aspects
• Designing Mobility Services
• New Mobility & the city

Prüfungsleistungen/Studienleistungen:

Art der Lehrveranstaltung: Vorlesung, Projekt
Art und Dauer des Leistungsnachweises:
Referat: Projektbericht und Präsentation (Gruppe)
Ermittlung der Modulnote: 100 % Referat

Die Modulbeschreibung und die detaillierte Information über das Modul finden Sie im Modulhandbuch.