Ett antal lektioner kommer att ges, kopplat till hemuppgifter. Som avslutning kommer varje student att genomföra ett litet projekt i en simuleringsmiljö.
FDD3025 Introduktion till beteendeträd inom robotik och AI 3,0 hp
Ett Beteendeträd (BT) kan användas för att skapa en övergripande styrlag för en robot, givet ett antal lagnivåstyrlagar för olika uppgifter, såsom: Gå till postition X, Greppa objekt, Placera objekt, Öppna dörr, Säg X. BT har visats vara optimalt modulära, och väl lämpade för att skapa styrlagar som är både reaktiva och måldrivna. I denna kurs kommer vi att gå igenom hur ett BT fungerar, och se i vilken mening de är modulära, reaktiva och måldrivna. Vi kommer också se hur BT kan kombineras med klassiska reglerdesigner, samt nyare metoder baserade på maskininlärning. Slutligen kommer vi att gå igenom hur BT kan användas när man vill garantera vissa systemprestanda, såsom säkerhet och måluppfyllelse.
Information för forskarstuderande om när kursen ges
Kontakta examinator för information om nästa kursomgång.
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
VT 2024 Start 2024-03-18 programstuderande
Anmälningskod
61082
Rubriker med innehåll från kursplan FDD3025 (HT 2022–) är markerade med en asterisk ( )
Innehåll och lärandemål
Kursupplägg
Kursinnehåll
Designprinciper. Reaktivitet, moduläritet och målinrikning hos BT. BT och klassisk reglerteknik. BT och förstärkningsinlärning. Hur BT kan användas för att garantera systemprestanda så som säkerhet och måluppfyllnad.
Lärandemål
Efter avslutad kurs kommer studenten att:
- Veta hur man använder ett BT för att styra en robot eller artificiell agent
- Veta fördelarna hos ett BT i form av reaktivitet, modularitet och målinriktning
- Känna till flera designprinciper för BT
- Veta hur BT kopplar till klassisk reglerteknik
- Veta hur BT kopplar till Reinforcement learning
- Veta hur BT kan användas för att garantera systemprestanda så som säkerhet och måluppfyllnad
Kurslitteratur och förberedelser
Särskild behörighet
Ingen
Rekommenderade förkunskaper
Inga förutom de som krävs för att påbörja en doktorandutbildning inom datalogi, elektroteknik eller motsvarande.
Utrustning
Ingen utrustning förutom en standarddator.
Kurslitteratur
Boken: Behavior Trees for Robotics and AI, by Colledanchise and Ögren (available on ArXiv).
Forskningsartiklar, föreläsningar på Youtube.
Examination och slutförande
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Betygsskala
P, F
Examination
- EXA1 - Examination, 3,0 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.
Examination kommer att ske i form av hemuppgifter och ett mindre avslutande projekt.
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
Denna kurs tillhör inget huvudområde.
Utbildningsnivå
Forskarnivå
Påbyggnad
Ingen information tillagd
Kontaktperson
Petter Ögren