Sissejuhatus

Dokumendis esitatakse struktureeritud ja kohandatav õppekava ohutute autonoomsete sõidukite (SafeAV) bakalaureuse- ja magistriõppeks, keskendudes tugevalt autonoomsete süsteemide kontrollimisele ja kinnitamisele (V&V). Raamistik on aluseks, mida kõrgkoolid saavad kohandada ja laiendada, kui kavandavad oma õppemooduleid või programme, mis on seotud autonoomsete tehnoloogiate ohutuse, töökindluse ja juhtimisega.

Õppekava järgib moodulstruktuuri, mis ühendab endas teoreetilised alused, rakenduslikud inseneriteadmised ja praktilised katsed. Seda toetavad kaks SafeAV projekti raames välja töötatud täiendavat haridusressurssi:

• SafeAV käsiraamat – pakub teoreetilise ja metodoloogilise tausta, sealhulgas süsteemiarhitektuurid, andurid, tarkvara ning formaalsed V&V meetodid.
• SafeAV praktiline juhend – pakub praktilisi labori- ja simulatsiooniharjutusi, mis võimaldavad õpilastel sooritada kontrolli- ja valideerimisülesandeid kasutades reaalseid ja virtuaalseid autonoomseid platvorme.

Terminoloogia märkus. Selles dokumendis on SafeAV-i õppekava ühtne raamistik, mis määratleb programmi üldise arhitektuuri, BSc/MSc edasijõudmise ja õppevoo teooriast V&V praktikani, joondades SafeAV-i käsiraamatu ja praktilise juhendi ühtseks modulaarseks rajaks. Järgmistes peatükkides kirjeldatakse mooduleid ainekavade kursuse tasemel kaartidena, mis täpsustavad eesmärke, õpitulemusi, teemasid, hindamist, tööriistu ja asjakohaseid standardeid, mis moodustavad ametliku avatud väljaande.

SafeAV õppekava arhitektuur määratleb üldise struktuuri, modulaarse hierarhia ja õppevoo, mis ühendab teoreetilised teadmised, simulatsioonipõhise valideerimise ja eksperimentaalse praktika. See tagab õppetasemete sidususe ja annab selge tee algteadmistest autonoomse sõiduki ohutuse täiustatud tagatiseni. Moodulid on korraldatud paarikaupa: 1. osa (bakalaureus) tutvustab mõisteid, 2. osa (magister) aga süvendab sama teemat läbi praktiliste verifitseerimis- ja valideerimismeetodite. See kahetasandiline struktuur võimaldab astmelist õppimist õppetsüklite lõikes ja annab ülikoolidele paindlikkuse õppekava või selle osade ülevõtmiseks olemasolevatesse haridusprogrammidesse.

Seega koosneb iga teema kahest üksteist täiendavast osast:

• 1. osa (bakalaureuse tase) – tutvustab põhiprintsiipe, tehnoloogiaid ja süsteemide koostoimeid. Rõhk on kontseptuaalsel mõistmisel, komponentide funktsioonil ja süsteemitasandi teadlikkusel.
• Osa 2 (magistri tase) – süvendab keskendumist kontrollimisele ja valideerimisele, sealhulgas analüütilistele, eksperimentaalsetele ja regulatiivsetele meetoditele, mida kasutatakse ohutuse, töökindluse ja usaldusväärsuse demonstreerimiseks.Näiteks Hardware and Sensing Technologies Osa 1 õpivad õpilased andurite tüüpe, signaalitöötluse põhitõdesid ja andmete hankimist. Osas 2 teostavad nad kalibreerimist, tõrkeanalüüsi, liiasustesti ja stsenaariumipõhist valideerimist, kasutades V&V tööriistu ja simulatsioonikeskkondi.

See kaheastmeline edenemine tagab järjepidevuse õppetsüklite vahel ja toetab elukestvat õppimist autonoomse sõidukiehituse valdkonnas.

Üldist õppekava võib kirjeldada kolme integreeritud kihina:

• Kontseptuaalne kiht – teoreetilised alused ja süsteemitaseme mõistmine (käsitletud SafeAV käsiraamatus)
• Praktiline kiht – praktilised katsed, andmete analüüs ja kontrollimine laborikeskkondades (SafeAV praktilise juhendi alusel)
• Digitaalne kiht – iseõppimismaterjalid, MOOC-kursused ja AI-toega assistendid, mis juhendavad õppimist ja jälgivad individuaalset edu

Need kihid on omavahel ühendatud kõigi moodulite jagatud terminoloogia, andmekogumite ja ühtsete õpitulemuste kaudu.

Õppekava koosneb kuuest omavahel seotud moodulist, mis koos moodustavad tervikliku 6 EAP õppeploki (üks bakalaureuse- ja üks magistriõppes), kuid on kasutatavad ka iseseisvalt. Iga moodul hõlmab ligikaudu 25–30 tundi üliõpilastööd, mis ühendab endas loenguid, laboriülesandeid ja iseõppimist. Modulaarne disain võimaldab mitut rakendusstrateegiat:

• kuue mooduliga SafeAV täiskursus (6 EAP)
• valitud moodulid iseseisvate 1 EAP ühikutena
• integreerimine olemasolevatesse robootika-, AI- või juhtimiskursustesse
• kasutamine elukestvaks õppeks või erialaseks koolituseks

Iga moodul sisaldab teoreetilist lugemist, juhendatud eksperimente, simulatsiooniharjutusi ja hindamist aruande, esitluse või viktoriini kaudu. Institutsioonidevahelise sidususe säilitamiseks järgitakse kõigis moodulites sama struktuuri.

Bakalaureuseõppekava tutvustab autonoomsete süsteemide ehitusplokke ja nende seost ohutuse tagamisega. Rõhk on süsteemi komponentide mõistmisel ja funktsiooni põhikontrollil. Kuus moodulit (igaüks 1 EAP) annavad põhiteadmised sõidukite arhitektuurist, autonoomia tasemetest, anduritest, andmetöötlusest, tarkvarasüsteemidest ning inimese ja masina interaktsioonist.

Moodulid – 1. osa:

• Autonoomsed sõidukid
• Riistvara ja andurtehnoloogiad
• Tarkvarasüsteemid ja vahevara
• Taju, kaardistamine ja lokaliseerimine
• Kontroll, planeerimine ja otsuste tegemine
• Inimese ja masina vaheline suhtlus

Iga moodul ühendab SafeAV käsiraamatu lugemisülesanded praktilise juhendi labori- või simulatsiooniülesannetega, nagu andurite kalibreerimine, taju võrdlusuuringud või juhtkontuuri valideerimine. Soovitatav täismaht võrdub 6 EAP-ga, kuid modulaarne ülesehitus võimaldab osalist kasutuselevõttu sõltuvalt kohalikest õppekavadest ja üliõpilaste kursustest.

===== Meistritase (2. osa) =====Magistriprogramm süvendab samu temaatilisi valdkondi 2. osa moodulitesse, mis keskenduvad valideerimisele, kontrollimisele ja süsteemi juhtimisele. Õpilased uurivad, kuidas ohutust ja töökindlust demonstreeritakse struktureeritud testimise, stsenaariumide genereerimise, formaalsete meetodite ja standarditele vastavuse kaudu. Moodulid on otseselt seotud SafeAV käsiraamatu täpsemate peatükkide ja praktilises juhendis kirjeldatud eksperimentaaltööga.

Moodulid – 2. osa:

• Riistvara ja tuvastustehnoloogiad (valideerimine ja töökindlus)
• Tarkvarasüsteemid ja vahevara (ohutus ja kontrollimine)
• Taju, kaardistamine ja lokaliseerimine (stsenaariumipõhine testimine)
• Kontroll, planeerimine ja otsuste tegemine (formaalne ja simulatsiooniga toetatud valideerimine)
• Inimese ja masina vaheline suhtlus (HMI ohutus ja V&V)
• Autonoomia kontrollimise ja kinnitamise tööriistad (integreeritud raamistikud ja meetodid)

Õpilased ehitavad digitaalseid kaksikuid ja simulatsioonikeskkondi kasutades valideerimistorusid mudelite kavandamisest kuni välikatseteni. Edasiminek peegeldab käsiraamatus tutvustatud V-mudeli elutsüklit – alates kavandamisest kuni kontrollimise, valideerimise ja juhtimiseni.

Oluline on märkida, et bakalaureuse (1. osa) ja magistri (2. osa) taseme eristamine selles õppekavas on pigem tingimuslik kui absoluutne. Sõltuvalt baasõppekava ülesehitusest või õppija eelteadmistest ja pädevustest võib SafeAV õppekavas magistritasemel määratletud teemasid õpetada ka bakalaureusetaseme kursuste raames ja vastupidi. Tegelik rakendamine sõltub ülikooli hariduskontekstist ja üliõpilase individuaalsest õpiteest.

Sel põhjusel esitleb SafeAV käsiraamat enamikku teemasid kahel sügavustasemel. Õpilased, kellel on juba piisav taust või kes soovivad edasi liikuda, saavad jätkata otse järgmistesse alajaotistesse, olenemata sellest, milline formaalne tase selles õppekavas sellele teemale on määratud. Vastupidi, mõnes mittetehnilises või sellega seotud inseneriõppekavas võidakse samu aineid käsitleda algtasemel isegi magistriõppes, mis vastab SafeAV-i raamistiku bakalaureusetaseme sisule.

Seetõttu tuleks selles õppekavas sisalduvat tasemenimetust tõlgendada pigem sisu sügavuse indikaatorina – põhi- ja edasijõudnute – kui bakalaureuse- ja magistrikraadi range eraldamisena.

Enamik mooduleid toetab paindlikke õpikeskkondi, mis võimaldavad nii klassiruumis kui ka kaugosalust:

• klassiruumis õpe teoreetilistele alustele
• juurdepääs AI-põhisele hübriidlabori keskkonnale
• MOOC platvormiga seotud virtuaalsed katsed
• hübriidseansid, mis ühendavad kohapealse juhendamise veebipõhiste valideerimisülesannetega

SafeAV-i praktiline juhend määratleb seadmete loendid, hübriidlabori konfiguratsioonid ja samm-sammult protseduurid. Kaugseadistused tagavad, et õpilased saavad läbi viia kontrollimis- ja valideerimisharjutusi isegi ilma riistvarale füüsilise juurdepääsuta.Digitaalsed tööriistad, Dokuwiki materjalid ja MOOC keskkond võimaldavad integreerida AI-põhiste assistentidega, mis toetavad iseõppimist, vastavad tehnilistele küsimustele ja annavad tagasisidet simulatsiooni- või valideerimisülesannete kohta. Need õpikeskkonnad on kõigis moodulites ühised, tagades AI-toega meetodite kaudu sidususe, juurdepääsetavuse ja pideva tagasiside. Sama platvormi kasutavad kõik moodulid, tagades ühtlase digikogemuse kogu õppekava ulatuses. Igale kursuse komponendile pääseb ligi sama keskkonna kaudu, mis seob omavahel teoreetilised materjalid, laboriülesanded ja hindamise.

Põhifunktsioonide hulka kuuluvad:

• AI juhendamine ja tagasiside – AI assistendid vastavad küsimustele, selgitavad mõisteid ja annavad kujundavat tagasisidet.
• Juurdepääsetavus ja kaasamine – automaatne transkriptsioon, kokkuvõte, tõlkimine ja adaptiivne tempostamine, et toetada kõiki õppijaid.
• Integratsioon laboritega – sujuv ühendus veebisisu ja hübriidlabori tegevuste vahel.
• Avatud juurdepääsuga koostöö – materjale ja tulemusi saab asutuste vahel jagada, taaskasutada ja laiendada.

MOOC keskkond toimib ka keskse vahendina õpilaste edusammude ja pädevuste arengu jälgimisel. Seda värskendatakse pidevalt uue sisuga ja integreeritakse tehisintellekti analüüsiga, et jälgida kaasatust, õppimise tõhusust ning V&V-ga seotud oskusi.

SafeAV õppekava põhineb kaug- ja virtuaallabori infrastruktuuril, mis on varem välja töötatud varasemate Erasmus+ projektide raames (Interstudy, SimLab, Autonomian, IoT.Open Reloaded). See olemasolev raamistik võimaldab õpilastel teha praktilisi katseid mitte ainult traditsioonilises klassiruumis, vaid ka eemalt, isegi kui kaasatud on füüsilised seadmed ja autonoomsed platvormid.

Hübriidlabor integreerib reaalsed katsekeskkonnad, nagu sensor- ja juhtimissüsteemid, pilvepõhiste ja virtuaalsete simulatsiooniplatvormidega. Selle seadistuse kaudu saavad õppijad ühenduse luua kaugriistvaraga, koguda andmeid ja teostada valideerimistoiminguid reaalajas, sõltumata nende asukohast. Sama infrastruktuur toetab ka partnerülikoolide koostööd, võimaldades ühist juurdepääsu katsetele, andmekogumitele ja õppevahenditele.

SafeAV täiustab seda keskkonda, võttes kasutusele AI komponendi, mis laiendab virtuaalsete laborite võimalusi. AI-põhised moodulid võimaldavad täiustatud simulatsiooni, automatiseeritud andmeanalüüsi ja mudelite valideerimist digitaalsetes kaksikkeskkondades. Nutikad assistendid aitavad õpilastel tulemusi tõlgendada, kõrvalekaldeid tuvastada ja katsedokumente automaatselt luua.

See tehisintellekti juhitud hübriidkeskkond moodustab SafeAV praktilise õppe kontseptsiooni selgroo. See ühendab füüsilised ja virtuaalsed valdkonnad, ühendab teoreetilise arusaamise kontrollimis- ja valideerimisprotsessidega ning pakub ühtset eksperimentaalset raamistikku nii bakalaureuse- kui ka magistriõppeks.

Tehisintellekti (AI) tööriistade integreerimine SafeAV-i õppekavasse on kaasaegsete, isikupärastatud õpikogemuste võimaldamise keskne element. Lisaks tavaliste õppijate individuaalsete õpiradade toetamisele parandab see ka juurdepääsetavust ja pakub paremaid haridusvõimalusi erivajadustega õpilastele.

AI tehnoloogiaid rakendatakse kahel tasandil:

• integreerimine õppesisu, et illustreerida, kuidas AI toetab autonoomse sõiduki V&V-d (nt tehisintellekt tajumisel, planeerimisel või ohutusanalüüsil)
• integratsioon kui pedagoogilised vahendid, mis aitavad üliõpilasi ja õppejõude kogu õppeprotsessi vältel

SafeAV ökosüsteemis kasutatakse järgmisi tehisintellektil põhinevaid meetodeid:

• AI-põhised virtuaalsed assistendid – MOOC-i ja Dokuwiki keskkonda manustatud LLM-põhised agendid vastavad kursusega seotud küsimustele, selgitavad teoreetilisi kontseptsioone ning annavad V&V-ga seotud juhiseid.
• AI-põhised interaktiivsed simulatsioonid ja virtuaalsed laborid – intelligentsed digitaalsed kaksikud ja stsenaariumigeneraatorid toetavad andurite fusiooni valideerimist, juhtkontuuri testimist ja inimese ja masina kommunikatsiooni uuringuid.
• Isikupärastatud tehisintellekti juhendajad – adaptiivsed õppesüsteemid analüüsivad õpilaste edusamme ja soovitavad soorituse põhjal lisamaterjale, harjutusi või simulatsioone.
• AI-toega sisu kokkuvõte – loengute, aruannete ja laboridokumentatsiooni kokkuvõtete automaatne genereerimine aitab õpilastel hindamiseks valmistuda ja toetab juurdepääsetavust.
• Automaatne eksperdihinnang ja tagasiside – integreeritud tehisintellekti tööriistad aitavad hinnata aruandeid ja kodeerimisharjutusi, anda konstruktiivset tagasisidet ja vähendada lektori töökoormust.

AI-põhised tööriistad mängivad SafeAV-s olulist rolli, vähendades korduvaid suhtlusülesandeid, pakkudes pidevat õppimistuge ja parandades õppetegevuse üldist korraldust. Need süsteemid pakuvad õpilastele ööpäevaringset juurdepääsu juhendamisele ja tagasisidele, võimaldades juhendajatel keskenduda kõrgema taseme mentorlusele ja projekti järelevalvele.

Tehisintellekti usaldusväärse ja vastutustundliku kasutamise tagamiseks hariduses järgivad kõik rakendused privaatsuspõhimõtteid ja vastavad asjakohastele andmekaitseeeskirjadele. Õpilaste andmeid töödeldakse läbipaistvalt ja turvaliselt, anonüümseks muudetud interaktsioonikirjete ja selgete valikutega tehisintellekti abil õppimisest loobumiseks, kui eelistatakse.

Pikemas perspektiivis on SafeAV-i lähenemisviisi eesmärk arendada jagatud ja avatud tehisintellekti õppimise raamistikku, mis edendab juurdepääsetavust, mitmekeelset tuge ja koostööd partnerülikoolide vahel, tagades tehisintellekti tehnoloogiate jätkusuutliku ja õiglase kasutamise kõrghariduses.

===== Õppekava rakendamine ja kohandamine =====SafeAV arhitektuur on avatud ja kohandatav. Haridusasutused võivad:

• Võtke kogu õppekava vastu spetsiaalse SafeAV kursusena
• integreerida valitud moodulid olemasolevatesse õppeprogrammidesse
• kasutada materjale mitteformaalses õppes või tööstusõppes

Kõik materjalid on litsentsitud Creative Commonsi (CC BY-NC) alusel, võimaldades taaskasutamist ja muutmist, hoides samas vastavust Euroopa õppestandardite ja ECTS-i põhimõtetega. See tagab järjepidevuse partnerülikoolide vahel, säilitades samal ajal paindlikkuse kohalikuks kohanemiseks ja tulevaseks laiendamiseks.