course-details-portlet

TTK4250

Sensorfusjon

Velg studieår
Studiepoeng 7,5
Nivå Høyere grads nivå
Undervisningsstart Høst 2025
Varighet 1 semester
Undervisningsspråk Engelsk
Sted Trondheim
Vurderingsordning Samlet karakter

Om

Om emnet

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). 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. Løst koblet treghetsnavigasjonssystem (INS). Feilmodeller for INS. Variasjoner av feiltilstandsformulert Kalmanfilter for estimering av orientering. Standardmodellen for landemerke-basert SLAM og løsning via EKF. Dataassosiasjon for SLAM. Grafiske modeller, informasjonsfilter og platting. 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 og generaliseringer av Kalmanfilter for ulineære problemer. 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 2 dataøvinger må være godkjent for å få ta eksamen.

Obligatoriske aktiviteter

  • Obligatoriske øvinger

Mer om vurdering

Skriftlig digital eksamen teller 70% og midtsemestereksamen 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.

Fagområder

  • Teknisk kybernetikk

Kontaktinformasjon

Emneansvarlig/koordinator

Faglærere

Ansvarlig enhet

Institutt for teknisk kybernetikk

Eksamen

Eksamen

Vurderingsordning: Samlet karakter
Karakter: Bokstavkarakterer

Ordinær eksamen - Høst 2025

Midtsemesterprøve
Vekting 30/100 Hjelpemiddel Kode C Varighet 2 timer Eksamenssystem Inspera Assessment
Skriftlig skoleeksamen
Vekting 70/100 Hjelpemiddel Kode C Varighet 4 timer Eksamenssystem Inspera Assessment
Sted og rom
Oppgitt rom kan endres og endelig plassering vil være klar senest 3 dager før eksamen. Du finner din romplassering på Studentweb.

Utsatt eksamen - Sommer 2026

Midtsemesterprøve
Vekting 30/100 Hjelpemiddel Kode C Varighet 2 timer Eksamenssystem Inspera Assessment
Skriftlig skoleeksamen
Vekting 70/100 Hjelpemiddel Kode C Varighet 4 timer Eksamenssystem Inspera Assessment
Sted og rom
Oppgitt rom kan endres og endelig plassering vil være klar senest 3 dager før eksamen. Du finner din romplassering på Studentweb.