Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2023/2024

Autonomous Robotics

Předmět není vypsán Nerozvrhuje se
Kód Zakončení Kredity Rozsah Jazyk výuky
BE3M33ARO Z,ZK 7 3P+2L anglicky

Předmět BE3M33ARO nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět AE3M33IRO (vztah je symetrický)

Předmět BE3M33ARO nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět A3M33IRO (vztah je symetrický)

Předmět BE3M33ARO může při kontrole studijních plánů nahradit předmět A3M33IRO

Předmět BE3M33ARO může při kontrole studijních plánů nahradit předmět AE3M33IRO

Předmět BE3M33ARO může při kontrole studijních plánů nahradit předmět B3M33ARO

Předmět BE3M33ARO nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět B3M33ARO (vztah je symetrický)

Předmět BE3M33ARO nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět BE3M33ARO1 (vztah je symetrický)

Podmínkou zápisu na předmět BE3M33ARO je, že student si nejpozději ve stejném semestru zapsal příslušný počet předmětů ze skupiny BEZBM

Předmět BE3M33ARO nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět BE3M33ARO1 (vztah je symetrický)

Předmět BE3M33ARO může být splněn v zastoupení předmětem BE3M33ARO1

Předmět BE3M33ARO nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět AE3M33IRO (vztah je symetrický)

Předmět BE3M33ARO nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět A3M33IRO (vztah je symetrický)

Garant předmětu:
Přednášející:
Cvičící:
Předmět zajišťuje:
katedra kybernetiky
Anotace:

Předmět Autonomní Robotika naučí pricipům potřebným k vývoji algoritmů pro inteligentní mobilní roboty jako jsou například algoritmy pro:

(1) Mapování a lokalizaci (SLAM) a kalibraci sensorů (např. lidaru či kamery).

(2) Plánová í cesty v existující mapě, či planování explorace v částečně neznámé mapě.

Důležité: Očekává se, že studenti mají pracovní znalost optimalizace (Gauss-Newton method, Levenberg Marquardt method, full Newton method), matematické analýzy (gradient, Jacobian, Hessian, vícerozměrný Taylor polynom), linear algebra (least-squares method),pravděpodobnostní teorie (vícerozměrný gaussian), statistiky (maximum likelihood a maximum aposteriori estimate), programování v pythonu a algoritmů strojového učení.

Požadavky:

Očekává se, že studenti mají pracovní znalost optimalizace (Gauss-Newton method, Levenberg Marquardt method, full Newton method), matematické analýzy (gradient, Jacobian, Hessian, vícerozměrný Taylor polynom), linear algebra (least-squares method),pravděpodobnostní teorie (vícerozměrný gaussian), statistiky (maximum likelihood a maximum aposteriori estimate), programování v pythonu a algoritmů strojového učení.

Osnova přednášek:

https://cw.fel.cvut.cz/b212/courses/aro/lectures/start

Osnova cvičení:

https://cw.fel.cvut.cz/b212/courses/aro/tutorials/start

Cíle studia:
Studijní materiály:

[1] Goodfellow et al. Deep Learning, 2016 http://www.deeplearningbook.org

[2] Hartley, Zisserman Multipleview Geometry, 2004, https://www.robots.ox.ac.uk/~vgg/hzbook

[3] Steven M. LaValle. Planning Algorithms, Cambridge University Press, 2006. (volně na internetu, http://planning.cs.uiuc.edu/)

[4] B. Siciliano, O. Khatib (editoři). Handbook of Robotics, Springer-Verlag, Berlin 2008.

Poznámka:
Další informace:
https://cw.fel.cvut.cz/wiki/courses/aro
Pro tento předmět se rozvrh nepřipravuje
Předmět je součástí následujících studijních plánů:
Platnost dat k 16. 3. 2024
Aktualizace výše uvedených informací naleznete na adrese https://bilakniha.cvut.cz/cs/predmet4681906.html