Modulnummer

Modulbezeichnung

Titel (englisch)

Pflicht/Wahl

Erklärung

CP

Berechnung des Workloads

Turnus

Dauer

Form

Prüfung

Anforderungen

Lernziele

• Fehlerbehaftete Größen in der Sprache der Stochastik (Kovarianzmatrix, Gaussverteilung) modellieren und damit Beweise führen können
• Den (Extended/Unscented) Kalman Filter verstehen und anwenden können
• Anschauliche Probleme der Sensorfusion mit Kalman Filter modellieren und lösen können
• Anschauung und Theorie in Bezug bringen können, um Anwendungsprobleme und ihre Lösung mit Sensorfusionsalgorithmen beurteilen zu können

Lerninhalte

• Wahrscheinlichkeitsrechnung in R: Dichte, Erwartungswert, Varianz, Gaussverteilung
• Fusion zweier Messwerte: Optimaler Schätzer
• (Extended) Kalman Filter (1D)
• Lineare Algebra: Vektoren und Matrizen
• Wahrscheinlichkeitsrechng in R^n: Dichte, Erwartungswert, Kovarianzmatrix, mehrdimensionale Gaussverteilung
• (Extended) Kalman Filter
• Transformationen in 3D und homogene Koordinaten
• Einführung [+]-Mannigfaltigkeiten
• Unscented Kalman Filter auf [+]-Mannigfaltigkeiten

Quellen

• Skript zur Vorlesung
• S. Thrun, W. Burgard, D. Fox, Probabilistic Robotics, MIT Press 2006
• Y. Bar-Shalom, X.R. Li, T. Kirubarajan: Estimation with Applications to Tracking and Navigation, J. Wiley, 2001
• R. Hafner: Wahrscheinlichkeitsrechnung und Statistik, Springer, 1989

Sprache

Bemerkung

Zuletzt geändert