course-details-portlet

TTK4250 - Sensorfusjon

Om emnet

Nytt fra studieåret 2019/2020

Vurderingsordning

Vurderingsordning: Mappevurdering
Karakter: Bokstavkarakterer

Vurderingsform Vekting Varighet Hjelpemidler Delkarakter
Arbeider 45/100
Skriftlig eksamen 55/100 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

  • Øvinger

Mer om vurdering

Mappevurdering brukes til å bestemme endelig karakter i emnet. Karakteren avgjøres 55% av endelig skriftlige eksamen, og 45% basert på dataøvingene. Resultatet fra hver komponent oppgis som et prosent-tall, mens vurderingen av hele mappen gis som en bokstavkarakter. Hvis det blir en kontinuasjonseksamen, kan eksaminasjonsformen bli endret fra skriftlig til muntlig. Alle tre dataøvingene (45%) må gjøres på ny i tillegg til skriftlig eksamen (55%).

Spesielle vilkår

Vurderingsmelding krever godkjent undervisningsmelding samme semester. Obligatorisk aktivitet fra tidligere semester kan godkjennes av instituttet.

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

Informasjon om kursmateriell gis ved semesterstart.

Flere sider om emnet

Ingen

Fakta om emnet

Versjon: 1
Studiepoeng:  7.5 SP
Studienivå: Høyere grads nivå

Undervisning

Termin nr.: 1
Undervises:  HØST 2019

Forelesningstimer: 3
Øvingstimer: 3
Fordypningstimer: 6

Undervisningsspråk: Engelsk, Norsk

Sted: Trondheim

Fagområde(r)
  • Teknisk kybernetikk
Kontaktinformasjon
Emneansvarlig/koordinator: Faglærer(e):

Ansvarlig enhet
Institutt for teknisk kybernetikk

Telefon:

Timeplan

Listevisning
Kalendervisning

Eksamensinfo

Vurderingsordning: Mappevurdering

Termin Statuskode Vurderings-form Vekting Hjelpemidler Dato Tid Digital eksamen Rom *
Høst ORD Arbeider 45/100
Rom Bygning Antall kandidater
Høst ORD Skriftlig eksamen 55/100 C 13.12.2019 09:00
Rom Bygning Antall kandidater
DI42 Idrettssenteret (Dragvoll) 2
Storhall del 1 Idrettssenteret (Dragvoll) 29
  • * Skriftlig eksamen plasseres på rom 3 dager før eksamensdato.
Hvis mer enn ett rom er oppgitt, finner du ditt rom på Studentweb.
Eksamensinfo

For mer info om oppmelding til og gjennomføring av eksamen, se "Innsida - Eksamen"

Mer om eksamen ved NTNU