A look inside the human body - gait analysis and simulation [GAS]

Dozent/in:

Anne Koelewijn

Angaben:

Vorlesung, 2 SWS, ECTS: 2,5, nur Fachstudium, Organisation and slides via StudOn. Grading: written or oral exam

Termine:

Mo, 14:15 - 15:45, H15
Organisation and slides via StudOn.

Studienrichtungen / Studienfächer:

WPF INF-MA ab 1
WF EEI-MA ab 1
WF MT-MA-BDV ab 1
WF MT-MA-GPP ab 1
WF MT-MA-MEL ab 1

Schlagwörter:

gait analysis, trajectory optimization, gait simulation, inverse kinetic, inverse kinematics, muscle modelling, musculoskeletal models, metabolic energy

Algorithmen und Datenstrukturen (für Medizintechnik) Rechnerübung [AuD-MT-RUE]

Dozentinnen/Dozenten:

Robert Richer, René Raab

Angaben:

Übung, 2 SWS, ECTS: 2,5, für Anfänger geeignet, Frühstudium, Der Übungsbetrieb beginnt in der zweiten Vorlesungswoche!

Studienrichtungen / Studienfächer:

PF MT-BA 1
WF MT-MA 1-2
PF WINF-BA 1
PF DS-BA 1

Voraussetzungen / Organisatorisches:

Alle Rechnerübungen finden ausschließlich digital (Zoom) statt.

Die Vorlesung findet als Zoom-Webinar statt.
Die Webinare finden Sie unter folgenden URLs:

• Montags, 16:15-17:45 Uhr: ID: 976 9059 7167

• Freitags, 10:15-11:45 Uhr: ID: 934 0356 3371
  

Für Teilnahme ist kein Passwort, aber ein Login über Ihren FAU-Account aus notwendig. Sie können sich ca. 15min vor Beginn des Webinars einloggen.

Schlagwörter:

Java, Objektorientierte Programmierung, Algorithmen, Datenstrukturen

Algorithmen und Datenstrukturen (für Medizintechnik) Tafelübung [AuD-MT-TUE]

Dozentinnen/Dozenten:

Robert Richer, René Raab

Angaben:

Übung, 2 SWS, Schein, ECTS: 2,5, für Anfänger geeignet, Frühstudium, Der Übungsbetrieb beginnt in der zweiten Vorlesungswoche!

Studienrichtungen / Studienfächer:

PF DS-BA 1
PF MT-BA 1
WF MT-MA 1-2
PF WINF-BA 1

Voraussetzungen / Organisatorisches:

Alle Tafelübungen finden ausschließlich digital (Zoom) statt. Es stehen stehen Videoaufzeichnungen der Tafelübungsinhalte bereit, in den Zoom-Meetings werden diese Inhalte vertieft und durch Tutorien ergänzt.

Die Vorlesung findet als Zoom-Webinar statt.
Die Webinare finden Sie unter folgenden URLs:

• Montags, 16:15-17:45 Uhr: ID: 976 9059 7167

• Freitags, 10:15-11:45 Uhr: ID: 934 0356 3371
  

Für Teilnahme ist kein Passwort, aber ein Login über Ihren FAU-Account aus notwendig. Sie können sich ca. 15min vor Beginn des Webinars einloggen.

Schlagwörter:

Java, Objektorientierte Programmierung, Algorithmen, Datenstrukturen

Bewegungsanalyse und biomechanische Grenzgebiete [BABG]

Dozent/in:

N.N.

Angaben:

Vorlesung, 2 SWS, ECTS: 2,5

Termine:

Zeit/Ort n.V.

Studienrichtungen / Studienfächer:

WF MT-BA ab 4
WF MT-MA ab 1
WF MT-MA-BDV ab 1
WF MT-BA-BV ab 4
WF MT-MA-MEL ab 1
WF MT-MA-IDP ab 1
WF MT-BA-GP ab 4

Voraussetzungen / Organisatorisches:

Für diese Lehrveranstaltung ist eine Anmeldung erforderlich. Die Anmeldung erfolgt über: https://www.vhb.org/

Inhalt:

• Anatomie des menschlichen Bewegungsapparates
Muskeln, Sehnen, Bänder, Knochen, Knorpel

• Gelenkmechanik

• Kinematik
Bewegungsanalyse und Motion-Capturing-Systeme

• Kinetik
Kraft- & Druckmessplatten, Bodenreaktionskräfte

• Elektromyographie

• 3D-Modellierung in der Biomechanik

Segmentierung, 3D-Modelle

• Simulation
FEM, MKS

Empfohlene Literatur:

Relevante Literatur ist im online-Kurs zu den jeweiligen Kapiteln angegeben.

Biomedizinische Signalanalyse [BioSig]

Dozentinnen/Dozenten:

Felix Kluge, Björn Eskofier

Angaben:

Vorlesung, 2 SWS, ECTS: 2,5

Termine:

Di, 10:15 - 11:45, Raum n.V.
Online

Studienrichtungen / Studienfächer:

WF EEI-BA ab 5
WF EEI-MA ab 1
WF IuK-BA ab 5
WF CE-MA-TA-MT ab 1
WPF INF-MA ab 1
WF INF-BA ab 5
WF INF-BA-V-ME ab 5
WF INF-BA-V-MI ab 5
WPF MT-BA 5
WPF MT-MA-BDV ab 1
WPF MT-MA-MEL ab 1
WPF I2F-BA ab 4
WF ICT-MA ab 1

Inhalt:

Im Rahmen der Vorlesung werden (a) die Grundlagen der Generation von wichtigen Biosignalen im menschlichen Körper (b) die Messung von Biosignalen und (c) Methoden zur Analyse von Biosignalen erläutert und dargestellt.
Aufgrund der derzeitigen Corona-Lage findet die Vorlesung digital statt. Für weitere Informationen, wie man sich in die digitalen Räume einloggen kann, besuchen Sie bitte unseren zugehörigen StudOn Kurs.
Studon Kurs: https://www.studon.fau.de/crs3248701.html

Biomedizinische Signalanalyse Übung [BioSig-UE]

Dozent/in:

Arne Küderle

Angaben:

Übung, 2 SWS, ECTS: 2,5

Studienrichtungen / Studienfächer:

WPF INF-MA ab 1
WPF INF-BA ab 5
WF INF-BA-V-ME ab 5
WF INF-BA-V-MI ab 5
WPF I2F-BA ab 4
WF IuK-BA ab 5
WF ICT-MA ab 1
WF EEI-BA ab 5
WF EEI-MA ab 1
WPF MT-BA 5
WPF MT-MA-BDV ab 1
WPF MT-MA-MEL ab 1
WPF CE-MA-TA-MT ab 5

Inhalt:

Im Rahmen der Vorlesung werden (a) die Grundlagen der Generation von wichtigen Biosignalen im menschlichen Körper (b) die Messung von Biosignalen und (c) Methoden zur Analyse von Biosignalen erläutert und dargestellt.

Digital Psychology Lab [DiPsyLab]

Dozentinnen/Dozenten:

Robert Richer, Katharina Jäger, Nicolas Rohleder, Björn Eskofier

Angaben:

Seminar, 2 SWS, benoteter Schein, ECTS: 5, nur Fachstudium

Termine:

Mo, 14:15 - 15:45, Zoom-Meeting
Einzeltermine am 2.11.2020, 9.11.2020, 23.11.2020, 14:15 - 15:45, H11
Die Lehrveranstaltung findet als Mischung von digitalen Veranstaltungen (Zoom-Meetings zur Besprechung des Seminarfortschritts) und Präsenzveranstaltungen (Präsenz nur 02.11., 09.11. und ggfs. 23.11.) statt.

Studienrichtungen / Studienfächer:

WF MT-MA ab 1

Voraussetzungen / Organisatorisches:

Studierende der Medizintechnik melden sich bei Interesse an der Lehrveranstaltung bitte per Email an robert.richer@fau.de an.

Inhalt:

In der interdisziplinären Lehrveranstaltung "Digitales Psychology Lab" für Studierende der Psychologie und Medizintechnik werden in Gruppen aktuelle Fragestellungen aus den Bereichen der digitalen Gesundheits- und Stressforschung bearbeitet. Ziel dieses forschungsorientierten Kurses ist die Stärkung der Zusammenarbeit zwischen den einzelnen Disziplinen. Neben der Planung und Durchführung einer Forschungsfrage sowie Analyse der Ergebnisse in Gruppen wird es während des Semesters auch Lehreinheiten der verschiedenen Disziplinen geben (Psychologie: Theoretische Modelle und biologische Grundlagen von Stress, hypothesengeleitete Planung und Durchführung von Experimenten, Erhebung von Biomarkern und Auswertung im Labor, Inferenzstatistik; Medizintechnik: Datenanalyse in Python, Erfassung und Verarbeitung von Biosignalen, Grundlagen des maschinellen Lernens).
Ziel des Kurses ist es, Synergieffekte der beiden komplementären Disziplinen zu nutzen. Die Studierenden sollen ihre individuellen Kompetenzen, die sie während des Studiums erlernt haben, in interdisziplinären Teams nutzen, um voneinander zu profitieren.

Zu den behandelten Themen gehören unter anderem:

• Überblick über aktuelle Themen auf dem Gebiet des maschinellen Lernens und der Datenanalyse für die Stressforschung
  

• Beste Praktiken für Präsentation und Ausarbeitung wissenschaftlicher Ergebnisse
  

• Beste Praktiken für hypothesengeleitete Planung und Durchführung von Experimental- und Feldstudien

Innovationslabor für Wearable und Ubiquitous Computing [InnoLab]

Dozentinnen/Dozenten:

Björn Eskofier, Matthias Zürl, Philipp Dumbach, Marlies Nitschke, Malte Ollenschläger, Nils Roth, Johannes Link, Maike Stöve, Martin Ullrich, Michael Nissen, Mohamad Wehbi, Imrana Abdullahi Yari, Alzhraa Ahmed, Ann-Kristin Seifer

Angaben:

Praktikum, 4 SWS, benoteter Schein, geeignet als Schlüsselqualifikation

Termine:

Di, 16:15 - 17:45, 00.010
Do, 12:15 - 13:45, 00.010
The first lectures will take place as online courses. More information including the link to the online courses can be found on StudOn.

Studienrichtungen / Studienfächer:

WF INF-MA ab 1
WF MT-MA ab 1
WF MB-MA ab 1
WF ME-MA ab 1
WF WING-MA ab 1
WF CE-MA ab 1
WF IIS-MA ab 1
WF Ph-MA ab 1

Voraussetzungen / Organisatorisches:

Themenvergabe und Terminfindung in der ersten Woche des Semesters. Anmeldung bis 03.11.2020 unter Studon. Die Vergabe der Plätze im Kurs erfolgt nach einem Aufnahmeantrag. In diesem sollen Studierende ihren Studiengang, ihr Fachsemester und den angestrebten Abschluss nennen (Bachelor/Master). Sind zu viele Anmeldungen eingegangen und der Kurs ist voll, gibt es eine Warteliste. Das Praktikum steht Studierenden der genannten Studienrichtungen ab dem 5. Bachelorsemester (und aller Mastersemester) ebenfalls offen. Für weitere Studiengänge und ECTS-Verteilungen bitte unter Matthias.Zuerl@fau.de nachfragen. Weitere Informationen zu der Lehrveranstaltung können auch unserer Webseite entnommen werden: https://www.mad.tf.fau.de/teaching/innolab/ ,
Anmeldung: https://www.studon.fau.de/crs3196650.html
Die Anmeldung ist möglich ab dem 22.09.2020 bis einschließlich 03.11.2020

Inhalt:

Mini-Computer, die unseren Lebensrhythmus dokumentieren, EKG-Sensoren, die jedes Detail aufzeichnen, Brillen, die uns in eine andere Realität versetzen – diesen Technologien begegnen wir mittlerweile ständig im Alltag. Im Innovationslabor für Wearable und Ubiquitous Computing werden solche Technologien von Studierenden entwickelt und gleichzeitig aufgezeigt, wie man mit diesen ein eigenes Startup gründen könnte. Gefördert wird das Labor vom Zentrum Digitalisierung Bayern (ZD.B).
Die innovativen Technologien werden dabei prototypisch in Gruppenarbeit (5-8 Studierende) unter Nutzung von agilen Entwicklungsmethoden (Scrum) geschaffen. Den Studierenden steht dabei der Zugang zum Innovationslabor offen, welches mit der nötigen Infrastruktur für die Entwicklung der Prototypen ausgestattet ist. Die Ideen für die Projekte stammen dabei entweder von kooperierenden Firmen oder von den Studierenden selbst.
Neben dem Prototyping erlernen die Teilnehmer in Tutorials die Grundlagen für innovatives Arbeiten wie Design Thinking und Patentrecherche. Zudem wird ihnen beigebracht, wie sie nach der Entwicklung ihre Ideen schützen und gegebenenfalls an den Markt bringen können.

Lernziele und Kompetenzen:

• Ideation, Design Thinking
  

• Patentrecherche, Marktanalysetechniken
  

• Agile Entwicklungsmethoden (Scrum)
  

• Prototyping
  

• Sicherung geistigen Eigentums
  

• Einführung in Entrepreneurship, Startup Finanzierung

.

Prüfungsleistung
Der Umfang der Leistung im Innovation Lab setzt sich aus vier Teilbereichen zusammen (in Klammern ist der Anteil an der Gesamtnote angegeben):

• Teampräsentation - 30 min (30%)
  

• Abschlussvortrag - 10 min (10 %)
  

• Hardware/Software Development, Scrum Meetings, Practical work (40%)
  

• Abschlussdokumentation/Report - ca. 3 - 6 Seiten pro Studierendem (20 %)
  

Nach dem erfolgreichen Absolvieren erhalten die Studierenden 10 ECTS.

Kolloquium im Bereich Maschinelles Lernen und Datenanalytik [KoMAD]

Dozent/in:

Björn Eskofier

Angaben:

Kolloquium, 2 SWS

Termine:

Mi, 12:30 - 14:00, 00.010

Studienrichtungen / Studienfächer:

WPF INF-MA ab 1

Inhalt:

The colloquium provides a platform for the exchange of the researchers of the MaD-Lab. It focuses on scientific education via the discussion of seminal papers and recent developments, improvement of presentation skills and other aspects like for example grant writing. The colloquium is open to all interested researchers and students.

The colloquium is organized in the following StudOn group:
http://www.studon.uni-erlangen.de/studon/goto.php?target=crs_387333
Please join the group if you participate in the colloquium.

Machine Learning for Engineers; Introduction to Methods and Tools [MLE-L]

Dozentinnen/Dozenten:

Björn Eskofier, Jörg Franke, Nico Hanenkamp

Angaben:

Vorlesung mit Übung, ECTS: 5

Termine:

Please see VHB for further details: https://kurse.vhb.org/VHBPORTAL/kursprogramm/kursprogramm.jsp?kDetail=true&COURSEID=13154,72,1399,1

Studienrichtungen / Studienfächer:

WF WING-BA 3-6
WF WING-BA-IKS-ING-MG1 1-3
WF ME-BA 3-6
WF ME-MA 1-3
WF MB-BA 3-6
WF MB-MA 1-3
WF IP-BA 3-6

Voraussetzungen / Organisatorisches:

The official start-date is the 2.11, but joining the course at a later date is possible. For this course, there exist no conventional lectures and predefined dates, but a series of videos, exercises and supplemental material, which you are expected to learn in a self-taught manner. You can expect support by the tutors in the forum, E-Mail and on-demand exercises.
Course-access via Studon is NOT possible. The registration is ONLY possible via the VHB portal.
Please contact for any questions the responsible tutors and organizers: franz.koeferl@fau.de, bejamin.lutz@faps.fau.de, matthias.muehlbauer@fau.de.

Inhalt:

This is an introductory course for machine learning. Simple concepts like linear modeling, support vector machines, dimensionality reduction and deep neural networks are conveyed. For more details have a look at the VHB webpage.

Maschinelles Lernen für Zeitreihen [MLTS]

Dozentinnen/Dozenten:

Björn Eskofier, Christopher Mutschler, Oliver Amft

Angaben:

Vorlesung, 2 SWS, benoteter Schein, ECTS: 2,5

Termine:

Mi, 8:15 - 9:45, Zoom-Meeting

Studienrichtungen / Studienfächer:

WF ASC-MA ab 1
WF INF-MA ab 1
WF CE-MA-TA-MT ab 1
WF MT-MA ab 1

Inhalt:

Die Vorlesung vermittelt Konzepte des Maschinellen Lernens speziell im Hinblick auf Anwendungen bei Zeitreihen. Es handelt sich hier um eine Spezialisierungsvorlesung, eine erfolgreiche Absolvierung der Vorlesungen „IntroPR" und/oder „Pattern Recognition"/"Pattern Analysis" wird empfohlen. Konzepte, die in „IntroPR" vermittelt werden, werden hier als Grundwissen vorausgesetzt.

Die folgenden Themen werden in der Vorlesung behandelt:

• Ein Überblick über die Anwendungsgebiete der Zeitreihenanalyse

• Methodische Grundlagen des Maschinellen Lernens (ML) für die Analyse von Zeitreihen, beispielsweise Gauß-Prozesse, Monte-Carlo Sampling und Deep Learning

• Design, Implementierung und Evaluation von ML Methoden, um Probleme in Zeitreihen zu adressieren

• Arbeitstechniken in bekannten Toolboxen zur Implementierung von relevanten Methoden, beispielsweise Tensorflow/Keras
  

Empfohlene Literatur:

• Machine Learning: A Probabilistic Perspective, Kevin Murphy, MIT press, 2012

• The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Trevor Hastie, Robert Tibshirani, Jerome Friedman, Springer, 2009

• Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, MIT Press, 2016

• Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto, MIT press, 1998
  

Maschinelles Lernen für Zeitreihen Laborprojekt [MLTS-L]

Dozent/in:

Leo Schwinn

Angaben:

Praktikum, 2 SWS, ECTS: 2,5

Termine:

Zeit/Ort n.V.

Studienrichtungen / Studienfächer:

WF ASC-MA ab 1
WF INF-MA ab 1
WF CE-MA-TA-MT ab 1
WF MT-MA ab 1

Maschinelles Lernen für Zeitreihen Übung [MLTS-UE]

Dozentinnen/Dozenten:

Leo Schwinn, Franz Köferl

Angaben:

Übung, 2 SWS, ECTS: 2,5

Termine:

Di, 10:15 - 11:45, Zoom-Meeting
Please organise a login for the CIP-Maschinenbau to participate in this exercise: http://www.cip.mb.uni-erlangen.de/main.phtml?standort=pgs&sub=pgs&page=inside

Studienrichtungen / Studienfächer:

WF ASC-MA ab 1
WF CE-MA-TA-MT ab 1
WF MT-MA ab 1
WF INF-MA ab 1
WF CME-MA ab 1

Maschinelles Lernen und Datenanalytik für Industrie 4.0 [MADI40]

Dozentinnen/Dozenten:

Björn Eskofier, An Nguyen, Franz Köferl, Philipp Schlieper, Christoph Scholl

Angaben:

Seminar, 2 SWS, benoteter Schein, ECTS: 5, nur Fachstudium, Registration via mail to an.nguyen@fau.de

Termine:

Mi, 16:15 - 18:00, 00.010
Starts on 04.11.2020

Studienrichtungen / Studienfächer:

WPF MT-MA-BDV ab 1
WPF INF-MA ab 1
WPF CE-MA ab 1
WF EEI-MA ab 1
WF ASC-MA ab 1
WF ICT-MA ab 1

Voraussetzungen / Organisatorisches:

Prerequisites Registration via e-mail to an.nguyen@fau.de Registration period: 01.09.2020 - 28.10.2020

This course will be held online until the coronavirus pandemic is contained to such an extent that the Bavarian state government can allow face-to-face teaching again. More information will be sent via mail to registered students.

Requirements:

• Prior knowledge of machine learning via courses like PA, IntroPR, PR, DL, MLTS, CVP or equivalent (ideally first project experiences) is expected!

• Motivation to explore scientific findings (e.g. via literature research)

• Motivation to code and analyze data

Examination:
50% of grade: Presentation + demo (20 minutes)
50% of grade 4 pages IEEE standard paper (excluding references) + code submission
Attending the presentations of other students

Inhalt:

Contents
Companies in all kinds of industries are producing and collecting rapidly more and more data from various sources. This is enabled by technologies such as the Internet of Things (IoT), Cyber-physical system (CPS) and cloud computing. Hence there is an increasing demand in industry and research for students and graduates with machine learning and data analytics skills in the Industry 4.0 context.
In this Seminar the Industry 4.0 term will include the medical device sector. Aim of this seminar is to give students insights about state-of-the-art machine learning and data analytics methods and applications in the Industry 4.0 and Healthcare context. Students will mainly work independently on specific topics including implementation and analytical components. Several potential topics will be provided but students are also encouraged to propose their own topics (please discuss with teaching staff beforehand).

Topics covered will include but are not limited to:

• Best practices for presentation and scientific work
  

• Overview of current hot topics in the field of machine learning and data analytics for Industry 4.0 (e.g. deep learning for predictive maintenance and process mining for usage analysis)
  

• Data acquisition (what kind of data can be acquired? Identification of publicly available data sets) and storage (how can data be stored efficiently?)
  

• Machine learning and data analytics methodologies (Support vector machines, Hidden Markov models, Deep learning, Process mining, etc.) for industrial data (sensor data, event logs, ...)
  

• Object detection in industry application

The seminar will include talks by corresponding lecturer and invited experts in the domain. Furthermore, students will present results from literature research and data analytics projects (provided or open source datasets).

Learning Objectives and Competencies

• Students will develop an understanding of the current hot field of machine learning and data analytics for Industry 4.0 / healthcare
  

• Students will learn to research and present a topic within the context of machine learning and data analytics for Industry 4.0 / healthcare independently
  

• Students will learn to identify opportunities, challenges and limitations of corresponding ML approaches for Industry 4.0 / healthcare
  

• Students will develop the skill to identify and understand relevant literature and to present their finding in a structured manner
  

• Students will learn to present implementation and validation results in form of a demonstration and/or report

Empfohlene Literatur:

Literature (Selection)

• Lei, Yaguo, Naipeng Li, Liang Guo, Ningbo Li, Tao Yan, and Jing Lin. “Machinery Health Prognostics: A Systematic Review from Data Acquisition to RUL Prediction.” Mechanical Systems and Signal Processing 104 (May 2018): 799–834.https://doi.org/10.1016/j.ymssp.2017.11.016.

• Rojas, Eric, Jorge Munoz-Gama, Marcos Sepúlveda, and Daniel Capurro. “Process Mining in Healthcare: A Literature Review.” Journal of Biomedical Informatics 61 (June 1, 2016): 224–36. https://doi.org/10.1016/j.jbi.2016.04.007.

• Wil M. P. van der Aalst. „Process Mining: Data Science in Action” 2nd edition, Springer 2016. ISBN 978-3-662-49851-4

• Wang, Lihui, and Xi Vincent Wang. Cloud-Based Cyber-Physical Systems in Manufacturing. Cham: Springer International Publishing, 2018. https://doi.org/10.1007/978-3-319-67693-7.
  

Schlagwörter:

Machine Learning, Data Analytics, Process Mining, Predictive Maintenance, Industry 4.0, Healthcare

Projekt Maschinelles Lernen und Datenanalytik [ProjMAD]

Dozent/in:

Björn Eskofier

Angaben:

Sonstige Lehrveranstaltung, benoteter Schein, ECTS: 10

Termine:

Zeit/Ort n.V.

Studienrichtungen / Studienfächer:

WPF INF-MA 1

Voraussetzungen / Organisatorisches:

Master Studium Informatik

Inhalt:

Es werden mehrere verschiedene Aufgabenstellungen angeboten. Die Aufgabenstellungen können bei Stefan Gradl angefragt werden. Bei Interesse an spezifischen Themen können auch die anderen Mitarbeiter des Machine Learning and Data Analytics Lab kontaktiert werden.
Email: stefan.gradl@fau.de

Schlagwörter:

Master Projekt Project

The why and how of human gait simulations [HGS]

Dozent/in:

Anne Koelewijn

Angaben:

Seminar, 2 SWS, benoteter Schein, ECTS: 2,5, nur Fachstudium, Organisation and slides via StudOn.

Termine:

Di, 10:15 - 11:45, 00.010

Studienrichtungen / Studienfächer:

WF MT-MA-BDV ab 1
WF MT-MA-GPP ab 1
WPF INF-MA ab 1
WF EEI-MA ab 1
WF MT-MA-MEL ab 1

Voraussetzungen / Organisatorisches:

Assignment: Mail to mailto:anne.koelewijn@fau.de
The grade consists of a presentation and a report, both counting 50% of the final grade.

Inhalt:

Learning objectives:
Set up a trajectory optimization problem to solve for a gait simulation
Be familiar with different approaches to solving gait simulations
Be able to select an approach to solve a specific simulation problem
Know the state-of-the-art gait simulation methods used at FAU and universities in Germany and abroad

Schlagwörter:

trajectory optimization, optimal control, human locomotion, biomechanics