Emne - Sensorfusjon - TTK4250
TTK4250 - Sensorfusjon
Om emnet
Vurderingsordning
Vurderingsordning: Samlet karakter
Karakter: Bokstavkarakterer
| Vurdering | Vekting | Varighet | Delkarakter | Hjelpemidler |
|---|---|---|---|---|
| Tellende øvinger | 30/100 | |||
| Skriftlig skoleeksamen | 70/100 | 4 timer | C |
Faglig innhold
Eksempler på sensorfusjon. Stokastiske variabler og sannsynlighetsfordelinger. Konsepter i estimering: ML, MAP, MMSE estimator, totalsannsynlighetsteoremet, Bayes og ortogonalitetsprinsipp. Den multivariate Gaussfordelingen og produktidentiteten. Kalmanfilteret. Stokastiske prosesser drevet av hvit støy. Utvidet Kalmanfilter (EKF). Partikkelfiltere. Gaussiske miksturer. Hybride systemer og IMM-algoritmen. Dataassosiasjon i følging av ett og flere mål. PDAF og JPDA. Metoder for deteksjon og initiering av nye spor. Glatting. Multi-hypotese målfølging, heltallsprogrammering og PMBM. Løst koblet treghetsnavigasjonssystem (INS). Feilmodeller for INS. Feiltilstandsformulert Kalmanfilter for estimering av orientering. Ulineære navigasjonsmetoder. Standardmodellen for landemerke-basert SLAM og løsning via EKF. Dataassosiasjon for SLAM. Rao-Blackwellisering for SLAM. Informasjonsfilter. Grafiske SLAM-metoder. Praktisk implementasjon av metoder for målfølging, treghetsnavigasjon og SLAM.
Læringsutbytte
Kunnskap: Kunnskap om typiske anvendelser i sensorfusjon. Kunnskap om nøkkelresultater i sannsynlighetsregning og estimering. Kunnskap om lineære og ikke-lineære filtreringsteknikker. Kunnskap om målfølgingsmetoder. Kunnskap om modellering og implementering av treghetsnavigasjon. Kunnskap om landemerkebasert SLAM. Ferdigheter: Kunne bruke forskjellige estimeringsprinsipper i forskjellige estimeringsproblemer. Manipulere multivariate Gaussfordelinger. Implementere Kalmanfiltere for Gaussisk-lineære filtreringsproblemer. Analysere de stokastiske egenskapene til Gaussisk-lineær filtrering. Implementere målfølgingsmetoder for ett eller flere mål. Implementere metoder for landemerkebasert SLAM. Generell kompetanse: Kunne bruke fundamentale estimeringsprinsipper i samarbeid med andre fagdisipliner. Bevissthet om rollen som sensorfusjon spiller i automasjon. Bevissthet om styrker og svakheter til forskjellige sensorfusjonsmetoder.
Læringsformer og aktiviteter
Emnet gis som en kombinasjon av forelesninger, regneøvinger og dataøvinger. Dataøvingene vil inkludere implementasjon av sensorfusjonsmetoder på reelle data. Minimum 3 regneøvinger og 3 dataøvinger må være godkjent for å få ta eksamen.
Obligatoriske aktiviteter
- Obligatoriske øvinger
Mer om vurdering
Skriftlig eksamen teller 70% og øvinger teller 30%. Ved utsatt eksamen kan eksamen bli endret til muntlig eksamen.
Anbefalte forkunnskaper
TTT4275 Estimering, deteksjon og klassifisering er sterkt anbefalt.
Forkunnskapskrav
Minst ett av følgende emner (eller tilsvarende fra andre universiteter): TTK4115 Lineær systemteori, TTT4275 Estimering, deteksjon og klassifisering, TMA4268 Statistisk læring eller TMA4267 Lineære statistiske modeller.
Kursmateriell
Emnet benytter et kompendium skrevet for emnet. Det oppdaterte kompendiet vil bli gjort tilgjengelig før semesterstart.
Versjon: 1
Studiepoeng:
7.5 SP
Studienivå: Høyere grads nivå
Termin nr.: 1
Undervises: HØST 2023
Undervisningsspråk: Engelsk, Norsk
Sted: Trondheim
- Teknisk kybernetikk
Eksamensinfo
Vurderingsordning: Samlet karakter
- Termin Statuskode Vurdering Vekting Hjelpemidler Dato Tid Eksamens- system Rom *
- Høst ORD Skriftlig skoleeksamen 70/100 C 29.11.2023 09:00 PAPIR
-
Rom Bygning Antall kandidater Storhall del 1 Idrettssenteret (Dragvoll) 33 SL274 Sluppenvegen 14 1 DI42 Idrettssenteret (Dragvoll) 1 -
Høst
ORD
Tellende øvinger
30/100
Innlevering
13.11.2023
23:59 -
Rom Bygning Antall kandidater - Sommer UTS Skriftlig skoleeksamen 70/100 C PAPIR
-
Rom Bygning Antall kandidater
- * Skriftlig eksamen plasseres på rom 3 dager før eksamensdato. Hvis mer enn ett rom er oppgitt, finner du ditt rom på Studentweb.
For mer info om oppmelding til og gjennomføring av eksamen, se "Innsida - Eksamen"