Detail předmětu

Pokročilé metody mapování a sebelokalizace v robotice

FEKT-MPC-MAPAk. rok: 2022/2023

Předmět se věnuje problematice navigace v mobilní robotice s důrazem na sebelokalizaci a plánování. Studenti budou seznámeni s nezbytným aparátem v oblasti pravděpodobnosti a s algoritmy pro řízení pohybu mobilního robotu, lokalizaci pomocí částicového a Kalmánova filtru, plánování trajektorie a základními principy SLAM – Simultánní lokalizace a mapování. Jednotlivé algoritmy budou v rámci samostatných laboratorních cvičení implementovány a testovány v jednoduchém simulátoru v prostředí MATLAB. Na závěr předmětu studenti využijí tyto algoritmy k vypracování projektu řešící komplexní úkol zahrnující lokalizaci, plánování a řízení mobilního robotu.

Jazyk výuky

čeština

Počet kreditů

3

Výsledky učení předmětu

Absolvent předmětu porozumí hlavním problémům a výzvám v oblasti navigace a řízení pohybu v mobilní robotice. Na základě dostupných senzorů bude schopen sám identifikovat, jaký lokalizační algoritmus je pro danou úlohu vhodný a také jej implementovat a vyladit parametry. Obdobně si poradí s algoritmy pro plánování trajektorie a řízení pohybu, které bude schopen optimalizovat a modifikovat pro danou platformu a úlohu. Absolvent předmětu tak získá stěžejní znalosti pro návrh autonomního mobilního robotu.

Prerekvizity

Jsou požadovány znalosti na úrovni povinných předmětů bakalářského studia, využity budou zejména znalosti z oblasti maticového počtu, pravděpodobnosti a řízení a regulace. Je předpokládaná znalost prostředí MATLAB, ve kterém jsou realizována cvičení. Výhodou je obecný přehled o problémech týkající se robotiky, který může být získán v kurzech BPC-PRP a MPC-RBT. Student by měl disponovat takovými jazykovými znalostmi, aby porozuměl studijním materiálům i v anglickém jazyce. Práce v laboratoři je podmíněna platnou kvalifikací „osoby poučené“, kterou musí studenti získat před zahájením výuky. Informace k této kvalifikaci jsou uvedeny ve Směrnici děkana Seznámení studentů s bezpečnostními předpisy.

Plánované vzdělávací činnosti a výukové metody

Metody vyučování závisí na způsobu výuky a jsou popsány článkem 7 Studijního a zkušebního řádu VUT. Metody vyučování zahrnují přednášky a samostatně vypracované laboratorní úlohy a projekt v průběhu semestru.

Způsob a kritéria hodnocení

Pro klasifikovaný zápočet lze získat body v těchto kategoriích:
  • Hodnocení laboratoří: až 50 bodů získaných z laboratorních úkolů v průběhu semestru (bez minima). 
  • Projekt: až 50 bodů za závěrečný projekt odevzdaný po skončení přednášek (minimálně 20 bodů pro úspěšné ukončení). 

Osnovy výuky

  1. Úvod do předmětu a základních pojmů. 
  2. Pravděpodobnost, model senzoru a mapování. 
  3. Řízení pohybu a kinematika. 
  4. Částicový filtr. 
  5. Kalmánův filtr. 
  6. Plánování trajektorie. 
  7. SLAM – Simultánní lokalizace a mapování. 

Učební cíle

Seznámit studenty se současným stavem poznání v oblasti sebelokalizace, plánování trajektorie a mapování v mobilní robotice a naučit je stěžejní algoritmy implementovat a nasadit.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Přednášky jsou dobrovolné, avšak doporučené. Laboratorní výuka je povinná, splnění cvičení je podmíněno odevzdáním vypracovaného úkolu zadaného vyučujícím. Řádně omluvenou absenci lze po domluvě s vyučujícím nahradit.

Prerekvizity a korekvizity

Doporučená literatura

THRUN, Sebastian, Wolfram BURGARD a Dieter FOX, 2005. Probabilistic Robotics. 1st edition. Cambridge, Mass: The MIT Press. ISBN 978-0-262-20162-9. (EN)

Zařazení předmětu ve studijních plánech

  • Program MPC-KAM magisterský navazující, 2. ročník, letní semestr, povinně volitelný

Typ (způsob) výuky

 

Přednáška

14 hod., nepovinná

Vyučující / Lektor

Osnova

1. Úvod do předmětu a základních pojmů.
2. Pravděpodobnost, model senzoru a mapování.
3. Řízení pohybu a kinematika.
4. Částicový filtr.
5. Kalmánův filtr.
6. Plánování trajektorie.
7. SLAM – Simultánní lokalizace a mapování.

Laboratorní cvičení

12 hod., povinná

Vyučující / Lektor

Osnova

1. –
2. Model senzoru.
3. Řízení pohybu.
4. Částicový filtr.
5. Kalmánův filtr.
6. Plánování trajektorie.
7. Samostatná práce na projektu.