Advanced Robotic Perception (Lecture)

Lecturer (assistant)
  • Georg von Wichert
Duration2 SWS
TermWintersemester 2016/17
Position within curriculaSee TUMonline
DatesSee TUMonline

Admission information

Objectives

Nach Teilnahme an den Modulveranstaltungen kennen die Studenten die wesentlichen Komponenten und Konzepte robotischer Perzeptionssysteme und sind in der Lage Wahrnehmungsaufgaben für autonome (Roboter-) Systeme zu analysieren sowie das passende Perzeptionssystem zu konzipieren.

Description

Einführung: Rolle der Wahrnehmung in autonomen und semiautonomen (Roboter-)Systemen - Sensortechnologien für robotische Wahrnehmungssysteme - Schwächen und Stärken unterschiedlicher Sensoren - Umgang mit unsicherer Information - Sensordatenfusion und Zustandsschätzung - Modellierung von Sensoren - Statische und dynamische Umgebungs- und Szenenmodelle - Wahrnehmung als kognitiver Prozess

Prerequisites

Programmieren in C/C++ Grundkenntnisse der Robotik Grundkenntnisse der Bildverarbeitung Folgende Module sollten vor der Teilnahme bereits erfolgreich absolviert sein: Grundlagen intelligenter Roboter Projektkurs C++

Examination

Das angestrebte Verständnis für die Rolle und das Zusammenwirken verschiedenster Komponenten und Methoden in robotischen Wahrnehmungssystemen lässt sich am besten in einer mündlichen Prüfung überprüfen. Der fortschreitende Lernerfolg soll während des Semesters anhand der Ergebnisse von Hausaufgaben überwacht werden, in denen die Studenten den Lehrstoff wiederholen und weiterdenken sollen. Die Endnote setzt sich aus folgenden Prüfungselementen zusammen: - 100 % Mündliche Abschlussprüfung Eine vollständige Erledigung der Hausaufgaben wird mit einem Bonus von 0,3 auf die bestandene Modulnote angerechnet.

Recommended literature

Weiterführende Informationen finden sich in folgenden Werken: - S. Thrun, W. Burgard, and D. Fox, Probabilistic Robotics, MIT Press 2005. - R. Hartley, and A. Zisserman, Multiple View Geometry in Computer Vision, Cambridge University Press, 2004 - C. M. Bishop, Pattern recognition and machine learning. Springer, 2006.

Links