Zur Seitennavigation oder mit Tastenkombination für den accesskey-Taste und Taste 1 
Zum Seiteninhalt oder mit Tastenkombination für den accesskey und Taste 2 
Startseite    Anmelden     
Logout in [min] [minutetext]

Lokalisierung und Kartierung in der mobilen Robotik - Detailansicht

  • Funktionen:
  • Zur Zeit kein Belegungszeitraum aktiv.
Grunddaten
Veranstaltungsart Vorlesung/Übung Langtext
Veranstaltungsnummer 10100 Kurztext SLAM
Semester WS 2020/21 SWS 4
Erwartete Teilnehmer/-innen Max. Teilnehmer/-innen
Rhythmus Jedes Semester Studienjahr
Hyperlink  
Sprache Deutsch
Belegungsfrist Hauptbelegungszeitraum 28.09.2020 - 23.10.2020

Belegpflicht
Termine Gruppe: [unbenannt] iCalendar Export für Outlook
  Tag Zeit Rhythmus Dauer Raum Raum-
plan
Lehrperson Status Lernziele fällt aus am Max. Teilnehmer/-innen
Einzeltermine anzeigen
iCalendar Export für Outlook
Fr. 09:45 bis 13:00 woch virtuell - BigBlueButton        
Gruppe [unbenannt]:
Zur Zeit kein Belegungszeitraum aktiv.
 


Zugeordnete Personen
Zugeordnete Personen Zuständigkeit
Schneider, Markus, Professor verantwortlich
Kathan, Benjamin begleitend
Laut SPO für
Abschluss Studiengang Semester Kategorie ECTS
Bachelor Profil AI-Spiele und Digitale Medien 6 - 6 Wahlfach 5
Bachelor Profil AI-Robotik und Automatisierung 6 - 6 Wahlfach 5
Bachelor Angewandte Informatik 6 - 6 Wahlfach 5
Zuordnung zu Einrichtungen
Bachelorstudiengang Angewandte Informatik
Fakultät Elektrotechnik und Informatik
Inhalt
Inhalt

Diese Vorlesung vermittelt die Grundlagen der Lokalisierung und Kartierung (engl. Simultaneous Localization and Mapping --- SLAM) in der autonomen mobilen Robotik.
Die gesamte Theorie wird in Übungen auf Daten eines realen Roboters angewandt.
Nach einem erfolgreichen Abschluss der Vorlesung sind die Studierenden in der Lage die Prinzipien und Algorithmen der Lokalisierung und Kartierung zu erklären.
Die können ausgewählte Methoden selbst implementieren und sind daher auch in der Lage die Module der bestehender Robotik-Frameworks (ROS) besser zu verstehen.

  • Roboter Bewegungsmodelle.
  • Landmarken-Erkennung mit Hilfe eines Laserscanners.
  • Iterative Closest Point (ICP) Algorithmus.
  • Bayes-Filter.
  • Paramterische Filter und Kalman Filter.
  • Extended Kalman Filter (EKF) Lokalisierung.
  • Histogram- and Particle Filter Lokalisierung.
  • Extended Kalman Filter SLAM.
  • Rao-Blackwellized Particle Filter SLAM (FastSLAM)

Alle Algorithmen werden in der Programmiersprache Python implementiert.

Literatur

Bongard, Josh. "Probabilistic Robotics. Sebastian Thrun, Wolfram Burgard, and Dieter Fox.(2005, MIT Press.) 647 pages." (2008): 227-229.

Voraussetzungen
  • Mathematische Grundlagen
  • Programmierkenntnisse
  • Grundkenntnisse in Python
Leistungsnachweis

Die Portfolioprüfung besteht aus Programmieraufgaben (Gewicht 75%) und aus einer Hausarbeit (Gewicht 25%).


Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester WS 2020/21 , Aktuelles Semester: SoSe 2024