Autonomní robotika
| Kód | Zakončení | Kredity | Rozsah | Jazyk výuky |
|---|---|---|---|---|
| B3M33ARO | Z,ZK | 7 | 3P+2L | česky |
- 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
- 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:
- Osnova cvičení:
- 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)