Hoppa till huvudinnehållet
Om kursen

EL2320 Tillämpad estimering 7,5 hp

Administrera Om kursen

This course mainly focuses on estimation using Kalman filter and particle filter. In this course you will go into depth and get very familiar with two methods that in the other course you will learn are specific examples of  wider classes of methods.

Course Structure

There are 12 lectures. Both theory and practice of estimation will be covered. Getting practical skills in anything requires you to get hands-on experience and as such the work between the lectures will be very important.

Two labs cover the Kalman and particle filters. 

For the final project, the student should work in pairs and implement an estimation method. Each student needs to write an individual report including a literature study. 

Recommended Prerequisits:

Courses corresponding to SF1624 Algebra and Geometry, SF1901 Probability Theory and Statistics,

Literature

The official course book is "Probabilistic robotics" by Thrun, Burgard and Fox, The MIT Press, ISBN 0-262-20162-3. Some of the material will be in the form of research publications. The students are assumed able to research for additional material to solve the project assignment.

Välj termin och kursomgång

Välj termin och kursomgång för att se aktuell information och mer om kursen, såsom kursplan, studieperiod och anmälningsinformation.

Kursval

Gäller för kursomgång

HT 2024 Start 2024-10-28 programstuderande

Anmälningskod

50237

Rubriker med innehåll från kursplan EL2320 (HT 2024–) är markerade med en asterisk ( )

Innehåll och lärandemål

Kursinnehåll

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.

Lärandemål

Efter godkänd kurs ska studenten kunna

  • beskriva delarna i rekursiv Bayesiansk filtrering i termer av sannolikheter, reflektera över sambanden mellan mätosäkerhet, sannolikhetsteori och skattningsmetoder
  • beskriva parametriska skattningstekniker samt välja och tillämpa lämplig metod på problem
  • beskriva Monte Carlo-skattningstekniker samt välja och tillämpa lämplig metod på problem

i syfte att kunna arbeta med skattning.

Kurslitteratur och förberedelser

Särskild behörighet

Kunskaper i sannolikhetsteori och statistik, 6 hp, motsvarande slutförd kurs SF1900/SF1910-SF1935.

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. 

Utrustning

Ingen information tillagd

Kurslitteratur

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 research publications. The students are assumed able to research for additional material to solve the project assignment.

Examination och slutförande

När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.

Betygsskala

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

Examination

  • KON1 - Kontrollskrivningar, 3,5 hp, betygsskala: P, F
  • PRO1 - Projekt, 2,0 hp, betygsskala: P, F
  • PRO2 - Projekt, 2,0 hp, betygsskala: P, F

Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.

Examinator får medge annan examinationsform vid omexamination av enstaka studenter.

Möjlighet till omexamination av samtliga kontrollskrivningar (KON1) ges under tentamensperioden i slutet av kursen.

Slutbetyget baseras på hur väl studenten utfört KON1, PRO1, och PRO2 i kombination.

Möjlighet till komplettering

Ingen information tillagd

Möjlighet till plussning

Ingen information tillagd

Examinator

Etiskt förhållningssätt

  • Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
  • Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
  • Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.

Ytterligare information

Kursrum i Canvas

Registrerade studenter hittar information för genomförande av kursen i kursrummet i Canvas. En länk till kursrummet finns under fliken Studier i Personliga menyn vid kursstart.

Ges av

Huvudområde

Elektroteknik

Utbildningsnivå

Avancerad nivå

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

Kontaktperson

John Folkesson (johnf@kth.se)

Övergångsbestämmelser

Det tidigare provmomentet TEN1 har ersatts av KON1.

Övrig information

I denna kurs tillämpas EECS hederskodex, se:
http://www.kth.se/eecs/utbildning/hederskodex.