EL3320 Tillämpad estimering 7,5 hp

Applied Estimation

The overall goal of the course is to give the participants theoretical as well practical skills and experience in estimation applications. In estimation we try to determine some property of a system or some other quantity based on noise corrupted measurements from sensors. The course will start from a number concrete examples taken from e.g. robitics and target tracking, to motivate the need for various filtering techniques such as Kalman filters and particle filters.

  • Utbildningsnivå

    Forskarnivå
  • Huvudområde

  • Betygsskala

Information för forskarstuderande om när kursen ges

The course runs in parallel with the advanced level course EL2320 with the same name and is offered P2 every year.

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 filtertekniker såsom Kalmanfilter och partikelfilter. Efter avslutad kurs:

  • Studenten skall 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 inklusive 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 viktigt.

Två laborationer genomförs individuellt och täcker Kalman filter och partikelfilter.

Den avslutande projektuppgiften utförs i par och består i att implementera en skattningsmetod. Varje student skall lämna i en egen rapport inkl en literaturstudie.

Behörighet

Rekommenderade förkunskaper

Studenten skall ha kännedom om sannolikhetsteori motsvarande en grundläggande kurs i sannolikhet och statistik

Litteratur

There is no official course book. Letcures notes will be made available and some complementary material will be in the form of reseach publication. The students are assumed able to research for additional material to solve the project assignment.

The recommended reading 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.

Utrustningskrav

No special equipment needed, you only need access to a computer

Examination

Kursen examineras med laborationer (PRO1), en tenta (TEN1) och ett project (PRO2).

PRO1: 2.0hp
PRO2: 2.0hp
TEN1: 3.5hp

När alla dessa har avklarats är studenten godkänd på kursen.  

För godkänd på tenta krävs 80% rätta svar. För godkänt på PRO2 krävs motsvarande ett B.

Krav för slutbetyg

För att få slutbetyg måste studenten uppfylla minimumkraven för laborationerna, projektuppgiften och tentan.

Ges av

EES/Reglerteknik

Kontaktperson

John Folkesson (johnf@kth.se)

Examinator

John Folkesson <johnf@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 gäller från och med HT2015.