EL2320 Tillämpad estimering 7,5 hp

• Utbildningsnivå

  Avancerad nivå

• Kursnivå (A-D)

  D

• Huvudområde

• Betygsskala

  A, B, C, D, E, FX, F

• Course homepage

• Kurssida på KTH Social

Lärandemål

Målet med kursen är att ge teoretisk och praktisk kunskap, färdigheter och erfarenhet av att arbeta med skattning. Kursen utgår från ett antal konketa exempel för att motivera behovet av vissa filteringstekniker såsom Kalman filter och partikelfilter. 

Efter avslutad kurs:

• Kommer studenten att kunna: beskriva delarna i rekursiv Bayesiansk filtrering i termer av sannolikheter, jämföra olika skattningstekniker och välja och tillämpa lämplig metod på problem.
• Studenten kommer att ha reflekterat över sambanden mellan mätosäkerhet, sannolikhetsteori och skattningsmetoder.
• Studenten kommer att ha tillskansat sig erfarenhet i att hitta information i den vetenskapliga literaturen inklusiva nyligen publicerade journalartiklar. Studenterna kommer också att ha fått erfarenhet av att presentera resultat i strukturerade vetenskapliga rapporter.

Kursens huvudsakliga innehåll

Kursen fokuserar på att ge deltagarna praktisk erfarenhet av att använda olika skattningsmetoder på verkliga problem. Exempel som används i kursen är till exempel från navigering med mobila robotar.

Följande behandlas inom kursen: Observerbarhet, Markovantagandet, dataassociation, skattningsmetoder så som Kalman filter, Extended Kalman filter, partikelfilter, Rao-Blackwellized particle filter, Unscented Kalman Filter, Covariance Intersection.

Kursupplägg

12 föreläsningar behandlar både teoretiska och praktiska aspekter av skattningar. För att få egen erfarenhet av att arbeta med metoderna är arbetet mellan lektionerna viktiga. 

Två laborationer genomförs individuellt och täcker Kalman filter och partikelfilter.

Studenterna kan arbeta i par med den avslutande projektuppgiften men varje student skall lämna in en egen rapport.

Behörighet

For single course students: 120 credits and documented proficiency in English B or equivalent.

Rekommenderade förkunskaper

Courses corresponding to SF1624 Algebra and Geometry, SF1901 Probability Theory and Statistics, SF1635 Signals and Systems, part I. Being able to program in MATLAB.

Litteratur

The official course book is "Probabilistic robotics" by Thrun, Burgard and Fox, The MIT Press, ISBN 0-262-20162-3 covers most of the material in the course from a robotics points of view. Letcures notes will also be made available. This course is at advanced level so some of the material will be in the form of reseach publication. The students are assumed able to research for additional material to solve the project assignment.

Utrustningskrav

Ingen speciell utrustning krävs, endast tillgång till dator

Examination

• PRO1 - Projekt, 2,0 hp, betygsskala: P, F
• PRO2 - Projekt, 2,0 hp, betygsskala: P, F
• TEN1 - Tentamen, 3,5 hp, betygsskala: P, F

Kursen examineras med laborationer, en tenta och ett projekt.

PRO1: 2.0hp 
PRO2: 2.0hp
TEN: 3.5hp

Varje moment rapporteras i systemet med P/F och när alla dessa har avklarats är studenten godkänd på kursen.

Projektuppgiften kan utföras i grupper om två men varje person måste skriva en egen rapport.

Slutbetyget ges som A-F och baseras på resultatet på tenta och projektuppgiften (bestående av en obligatorisk del för att passera och en valfri betygshöjande del). Om man bara gör den obligatoriska delen av projektet blir därmed slutbetyget halva tentabetyget.

Krav för slutbetyg

To get a passing grade in the course the students need to pass the mandatory part of the project assigments and the exam.

Ges av

EES/Reglerteknik

Examinator

Patric Jensfelt <patric@kth.se>

Påbyggnad

There is a rich set of courses on related estimation, control, signal processing, systems theory, etc such as EQ2800 Optimal filtering, EQ2300 Digital signal processing, EQ2400 Adaptive signal processing, SF2842 Mathematical Systems Theory, EQ2810 Estimation theory

Versionsinformation

Kursplan giltig från och med HT13.
Examinationsinformation giltig från och med VT08.