Autonomní robotika

Vztahy:

Předmět B3M33ARO nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět BE3M33ARO1 (vztah je symetrický)

Předmět B3M33ARO nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět AE3M33IRO (vztah je symetrický)

Podmínkou zápisu na předmět B3M33ARO je, že student si nejpozději ve stejném semestru zapsal příslušný počet předmětů ze skupiny BEZBM

Předmět B3M33ARO nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět B3M33ARO1 (vztah je symetrický)

Předmět B3M33ARO může být splněn v zastoupení předmětem BE3M33ARO

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

Předmět B3M33ARO nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět BE3M33ARO1 (vztah je symetrický)

Předmět B3M33ARO může být splněn v zastoupení předmětem BE3M33ARO1

Předmět B3M33ARO nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět AE3M33IRO (vztah je symetrický)

Předmět B3M33ARO nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět B3M33ARO1 (vztah je symetrický)

Předmět B3M33ARO může být splněn v zastoupení předmětem B3M33ARO1

Předmět je ekvivalentní s AD3M33IRO,A3M33IRO .

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/wiki/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:

• Kybernetika a robotika - Systémy a řízení 2016 (povinný předmět programu)
• Kybernetika a robotika - Robotika 2016 (povinný předmět programu)
• Kybernetika a robotika - Senzory a přístrojová technika 2016 (povinný předmět programu)
• Kybernetika a robotika - Letecké a kosmické systémy 2016 (povinný předmět programu)
• Kybernetika a robotika - Kybernetika a robotika 2016 (povinný předmět programu)
• prg.ai/minor-tech (volitelný předmět)