Kursplan fastställd 2021-02-26 av programansvarig (eller motsvarande).
Kursöversikt
- Engelskt namnSensor fusion and nonlinear filtering
- KurskodSSY345
- Omfattning7,5 Högskolepoäng
- ÄgareMPSYS
- UtbildningsnivåAvancerad nivå
- HuvudområdeAutomation och mekatronik, Datateknik, Elektroteknik
- InstitutionELEKTROTEKNIK
- BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd
Kurstillfälle 1
- Undervisningsspråk Engelska
- Anmälningskod 35112
- Max antal deltagare100
- Blockschema
- Sökbar för utbytesstudenterNej
Poängfördelning
Modul | LP1 | LP2 | LP3 | LP4 | Sommar | Ej LP | Tentamensdatum |
---|---|---|---|---|---|---|---|
0117 Inlämningsuppgift 7,5 hp Betygsskala: TH | 7,5 hp |
I program
- MPICT - INFORMATIONS- OCH KOMMUNIKATIONSTEKNIK, MASTERPROGRAM, Årskurs 1 (obligatoriskt valbar)
- MPSYS - SYSTEMTEKNIK, REGLERTEKNIK OCH MEKATRONIK, MASTERPROGRAM, Årskurs 1 (obligatoriskt valbar)
Examinator
- Lars Hammarstrand
- Docent, Signalbehandling och medicinsk teknik, Elektroteknik
Behörighet
Grundläggande behörighet för avancerad nivåSökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.
Särskild behörighet
Engelska 6Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.
Kursspecifika förkunskaper
Goda kunskaper inom sannolikhetslära, statistik och linjär algebra. Dessutom krävs grundläggande färdigheter i att programmera i MATLAB för att kunna lösa hemuppgifter och för att genomföra kursens projekt.
Syfte
Målet med den här kursen är att ge en grundlig introduktion till sensorfusion i tidsvariabla system (vilket ofta kallas filtrering eller glättning), dvs hur man kan skatta tillstånd med hjälp av mätningar från olika sensorer. Den typen av metoder får fortsatt mycket uppmärksamhet tack vare deras användbarhet inom ett stort antal områden. Till exempel var de en bidragande orsak till att man lyckades landa på månen. Ett mer modernt exempel är att de numera är en viktig komponent då man försöker utveckla autonoma (förarlösa) bilar.
I kursen kommer vi lyfta fram problem inom positionering av fordon, människor, mobiltelefoner, robotar, med mera, men det finns mycket fler tänkbara tillämpningar av kursens material. Syftet med kursen är att ge en grundläggande teoretisk bakgrund och att ge studenterna erfarenhet av att använda metoderna för att lösa problem som är av praktisk relevans.
Lärandemål (efter fullgjord kurs ska studenten kunna)
Efter avslutad kurs ska studenterna kunna
- förklara de grundläggande principerna inom Bayesiansk estimering
- beskriva och modellera vanliga typer av sensormätningar
- sammanfatta och jämföra de vanligaste rörelsemodellerna inom positionering, så att de vet när de ska användas i praktiska problem
- härleda uttrycket för ett optimalt filter
- beskriva de centrala egenskaperna hos ett Kalmanfilter (KF) och applicera filtret på en linjär tillståndsmodell
- implementera de viktigaste olinjära filtren (framför allt EKF, UKF och partikelfilter) i Matlab, för att lösa problem där mätmodellen och/eller rörelsemodellen är olinjära
- välja en lämplig filtreringsmetod genom att analysera egenskaper och krav i en tillämpning
- använda linjära och olinjära Rauch-Tung-Striebel-glättningsalgoritmer till att lösa generella glättningsproblem
- utveckla väl fungerande filter och glättningsalgoritmer i ett stort antal tillämpningar genom att utnyttja och anpassa kunskaperna ovan.
Innehåll
Den övergripande problemformuleringen är att vi vill använda ett flertal olika sensorer för att skatta en okänd tillståndsvektor (i vårt fall innehåller vektorn ofta information om position, hastighet, m.m.). Vi kommer att gå igenom följande huvudsakliga koncept, modeller och metoder:
- Bayes regel och Bayesianska skattningar (till exempel MMSE-estimatorn)
- optimal filtrering och optimal glättig
- modeller av tidsdiskreta system med osäkerheter: både rörelsemodeller och sensormodeller.
- linjära och olinjära Kalmanfilter (KF, EKF, UKF, CKF, etc).
- partikelfilter
- linjära och olinjära Rauch-Tung-Striebel-algoritmer
Organisation
Kursen innehåller webbföreläsningar (som bör ses innan lektionen), övningstillfällen (där vi går igenom material från motsvarande föreläsning), hemuppgifter, projekt, redovisningstillfällen (där vi går igenom lösningar till hemuppgifter eller projekt) samt två muntliga examinationstillfällen.
Litteratur
Vi kommer huvudsakligen att använda bokenSimo Särkkä, Bayesian Filtering and Smoothing. Cambridge University Press, 2013.
som finns tillgänglig på webben. http://becs.aalto.fi/~ssarkka/pub/cup_book_online_20131111.pdf
Examination inklusive obligatoriska moment
Det finns ingen skriftlig examen i den här kursen. Studenterna kommer istället utvärderas baserat på hur väl de presterat i de olika aktiviteter som ingår i kursen. Mer specifikt ges betyg baserat på resultaten från hemuppgifter, projekt och de muntliga examinationerna, samt på hur stor andel av aktiviteterna som studenten deltagit i.Kursens examinator får examinera enstaka studenter på annat sätt än vad som anges ovan om särskilda skäl föreligger, till exempel om en student har ett beslut från Chalmers om pedagogiskt stöd på grund av funktionsnedsättning.