Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2024/2025

Autonomní robotika

Předmět není vypsán Nerozvrhuje se
Kód Zakončení Kredity Rozsah Jazyk výuky
B3M33ARO1 Z,ZK 6 2P+2L česky
Vztahy:
Předmět B3M33ARO1 nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět BE3M33ARO1 (vztah je symetrický)
Předmět B3M33ARO1 nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět B3M33ARO (vztah je symetrický)
Předmět B3M33ARO1 může při kontrole studijních plánů nahradit předmět B3M33ARO
Předmět B3M33ARO1 může být splněn v zastoupení předmětem BE3M33ARO1
Předmět B3M33ARO1 nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět BE3M33ARO1 (vztah je symetrický)
Předmět B3M33ARO1 nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět B3M33ARO (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.

Tento předmět je také součástí meziuniverzitního programu prg.ai Minor. Ten spojuje to nejlepší z výuky AI v Praze s cílem poskytnout studujícím hlubší a širší vhled do oboru umělé inteligence. Více informací je k dispozici na webu https://prg.ai/minor.

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. 6. 2024
Aktualizace výše uvedených informací naleznete na adrese https://bilakniha.cvut.cz/cs/predmet6651906.html