Modulbeschreibung

SmartBot

Kurzzeichen:
M_VP_18814
ECTS-Credits:
18
Leitidee:

Die Studierenden

  • können die Grundprinzipien des bestärkenden Lernens (reinforcement learning RL) formulieren.
  • können reale Steuerprobleme mittels RL modellieren.
  • können mithilfe einer geeigneten Simulationsumgebung (z.B. Gazebo), einen Roboter inkl. Umgebung (Vorwärts- und Inverse Kinematik, Hindernisse inkl. Physik, Robotersensorik, etc.) simulieren.
  • können die Robotersimulation mit einem RL Algorithmus kombinieren und auf einen realen Roboter applizieren.
Modulverantwortung:
Frick Klaus
Standort (angeboten):
Buchs
Modultyp:
Wahlpflicht-Modul für MSE Master of Science in Engineering BB STD_08 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für MSE Master of Science in Engineering BB STD_13 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für MSE Master of Science in Engineering BB STD_16 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für MSE Master of Science in Engineering VZ STD_08 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für MSE Master of Science in Engineering VZ STD_13 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für MSE Master of Science in Engineering VZ STD_16 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für Technik und IT MSE_20(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Modulbewertung:
Note von 1 - 6

Leistungsnachweise und deren Gewichtung

Während der Unterrichtsphase:

Im Kurs „SmartBot -  selbstlernender Roboter“ wird ein Projekt mittels Bericht und Fachgespräch bewertet. Im Kurs „Grundlagen Reinforcement Learning“ wird ein Fachgespräch bewertet.

Bewertungsart:
Note von 1 - 6
Gewichtung:

Im Kurs „SmartBot -  selbstlernender Roboter“ wird ein Projekt mittels Bericht (Gewicht 64%) und Fachgespräch (Gewicht 16%) bewertet. Im Kurs „Grundlagen Reinforcement Learning“ wird ein Fachgespräch (Gewicht 20%) bewertet.

Bemerkungen:

Inhalte

Angestrebte Lernergebnisse (Abschlusskompetenzen):

Die Studierenden

  • können mithilfe einer geeigneten Simulationsumgebung (z.B. Gazebo), einen Roboter inkl. Umgebung (Kinematik, Hindernisse inkl. Physik, Robotersensorik, etc.) simulieren.
  • können die Robotersimulation mit einem RL Algorithmus kombinieren und auf einen realen Roboter applizieren.
Modul- und Lerninhalt:
  • Robotik, Vorwärts- und Rückwärtskinematik
  • Reinforcement Learning
  • Robotersimulation mittels gegebener Umgebung