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
BE3M33ARO1 Z,ZK 6 2P+2L anglicky
Vztahy:
Předmět BE3M33ARO1 může při kontrole studijních plánů nahradit předmět B3M33ARO1
Předmět BE3M33ARO1 nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět B3M33ARO1 (vztah je symetrický)
Předmět BE3M33ARO1 nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět BE3M33ARO (vztah je symetrický)
Předmět BE3M33ARO1 nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět B3M33ARO (vztah je symetrický)
Předmět BE3M33ARO1 může při kontrole studijních plánů nahradit předmět BE3M33ARO
Předmět BE3M33ARO1 může při kontrole studijních plánů nahradit předmět B3M33ARO
Předmět BE3M33ARO1 nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět B3M33ARO1 (vztah je symetrický)
Předmět BE3M33ARO1 nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět BE3M33ARO (vztah je symetrický)
Předmět BE3M33ARO1 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/predmet6653706.html