course-details-portlet

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.

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.

Flere sider om emnet
Fakta om emnet

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

Undervisning

Termin nr.: 1
Undervises:  HØST 2023

Undervisningsspråk: Engelsk, Norsk

Sted: Trondheim

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

Ansvarlig enhet
Institutt for 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 2 Idrettssenteret (Dragvoll) 45
Høst ORD Tellende øvinger 30/100
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.
Eksamensinfo

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

Mer om eksamen ved NTNU