Kursplan för Sensorfusion och olinjär filtrering

Kursplan fastställd 2019-02-14 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnSensor fusion and nonlinear filtering
  • KurskodSSY345
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPSYS
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeAutomation och mekatronik, Datateknik, Elektroteknik
  • InstitutionELEKTROTEKNIK
  • BetygsskalaTH - Fem, Fyra, Tre, Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 35120
  • Max antal deltagare100
  • Blockschema
  • Sökbar för utbytesstudenterNej

Poängfördelning

0117 Inlämningsuppgift 7,5 hp
Betygsskala: TH		0 hp0 hp0 hp7,5 hp0 hp0 hp

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Behörighet

Information saknas

Särskild behörighet

För kurser på avancerad nivå gäller samma grundläggande och särskilda behörighetskrav som till det kursägande programmet. (När kursen är på avancerad nivå men ägs av ett grundnivåprogram gäller dock tillträdeskrav för avancerad nivå.)
Undantag från tillträdeskraven: Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Kursspecifika förkunskaper

Goda kunskaper inom sannolikhetslära, statistik och linjär algebra. Dessutom krävs grundläggande färdigheter i att programmera i MATLAB för att kunna lösa hemuppgifter och för att genomföra kursens projekt.

Syfte

Målet med den här kursen är att ge en grundlig introduktion till sensorfusion i tidsvariabla system (vilket ofta kallas filtrering eller glättning), dvs hur man kan skatta tillstånd med hjälp av mätningar från olika sensorer. Den typen av metoder får fortsatt mycket uppmärksamhet tack vare deras användbarhet inom ett stort antal områden. Till exempel var de en bidragande orsak till att man lyckades landa på månen. Ett mer modernt exempel är att de numera är en viktig komponent då man försöker utveckla autonoma (förarlösa) bilar.

I kursen kommer vi lyfta fram problem inom positionering av fordon, människor, mobiltelefoner, robotar, med mera, men det finns mycket fler tänkbara tillämpningar av kursens material. Syftet med kursen är att ge en grundläggande teoretisk bakgrund och att ge studenterna erfarenhet av att använda metoderna för att lösa problem som är av praktisk relevans.

Lärandemål (efter fullgjord kurs ska studenten kunna)

Efter avslutad kurs ska studenterna kunna

  • förklara de grundläggande principerna inom Bayesiansk estimering
  • beskriva och modellera vanliga typer av sensormätningar
  • sammanfatta och jämföra de vanligaste rörelsemodellerna inom positionering, så att de vet när de ska användas i praktiska problem
  • härleda uttrycket för ett optimalt filter
  • beskriva de centrala egenskaperna hos ett Kalmanfilter (KF) och applicera filtret på en linjär tillståndsmodell  
  • implementera de viktigaste olinjära filtren (framför allt EKF, UKF och partikelfilter) i Matlab, för att lösa problem där mätmodellen och/eller rörelsemodellen är olinjära
  • välja en lämplig filtreringsmetod genom att analysera egenskaper och krav i en tillämpning
  • använda linjära och olinjära Rauch-Tung-Striebel-glättningsalgoritmer till att lösa generella glättningsproblem
  • utveckla väl fungerande filter och glättningsalgoritmer i ett stort antal tillämpningar genom att utnyttja och anpassa kunskaperna ovan.

Innehåll

Den övergripande problemformuleringen är att vi vill använda ett flertal olika sensorer för att skatta en okänd tillståndsvektor (i vårt fall innehåller vektorn ofta information om position, hastighet, m.m.). Vi kommer att gå igenom följande huvudsakliga koncept, modeller och metoder:

  • Bayes regel och Bayesianska skattningar (till exempel MMSE-estimatorn)
  • optimal filtrering och optimal glättig
  • modeller av tidsdiskreta system med osäkerheter: både rörelsemodeller och sensormodeller.
  • linjära och olinjära Kalmanfilter (KF, EKF, UKF, CKF, etc).
  • partikelfilter
  • linjära och olinjära Rauch-Tung-Striebel-algoritmer

Organisation

Kursen innehåller webbföreläsningar (som bör ses innan lektionen), övningstillfällen (där vi går igenom material från motsvarande föreläsning), hemuppgifter, projekt, redovisningstillfällen (där vi går igenom lösningar till hemuppgifter eller projekt) samt två muntliga examinationstillfällen.

Litteratur

Vi kommer huvudsakligen att använda boken
Simo Särkkä, Bayesian Filtering and Smoothing. Cambridge University Press, 2013.
som finns tillgänglig på webben. http://becs.aalto.fi/~ssarkka/pub/cup_book_online_20131111.pdf

Examination inklusive obligatoriska moment

Det finns ingen skriftlig examen i den här kursen. Studenterna kommer istället utvärderas baserat på hur väl de presterat i de olika aktiviteter som ingår i kursen. Mer specifikt ges betyg baserat på resultaten från hemuppgifter, projekt och de muntliga examinationerna, samt på hur stor andel av aktiviteterna som studenten deltagit i.