Autonomní robotika - B3M33ARO

Kredity 7
Semestry letní
Zakončení zápočet a zkouška
Jazyk výuky čeština
Rozsah výuky 3P+2L
Anotace
Předmět Autonomní Robotika naučí pricipům potřebným k vývoji algoritmů pro inteligentní mobilní roboty jako jsou například algoritmy pro:
(1) Mapování a lokalizaci (SLAM) a kalibraci sensorů (např. lidaru či kamery).
(2) Plánová í cesty v existující mapě, či planování explorace v částečně neznámé mapě.

Důležité: Očekává se, že studenti mají pracovní znalost optimalizace (Gauss-Newton method, Levenberg Marquardt method, full Newton method), matematické analýzy (gradient, Jacobian, Hessian, vícerozměrný Taylor polynom), linear algebra (least-squares method),pravděpodobnostní teorie (vícerozměrný gaussian), statistiky (maximum likelihood a maximum aposteriori estimate), programování v pythonu a algoritmů strojového učení.
Cíle studia
Žádná data.
Osnovy přednášek
https://cw.fel.cvut.cz/wiki/courses/aro/lectures/start
Osnovy cvičení
https://cw.fel.cvut.cz/b212/courses/aro/tutorials/start
Literatura
[1] Goodfellow et al. Deep Learning, 2016 http://www.deeplearningbook.org
[2] Hartley, Zisserman Multipleview Geometry, 2004, https://www.robots.ox.ac.uk/~vgg/hzbook
[3] Steven M. LaValle. Planning Algorithms, Cambridge University Press, 2006. (volně na internetu, http://planning.cs.uiuc.edu/)
[4] B. Siciliano, O. Khatib (editoři). Handbook of Robotics, Springer-Verlag, Berlin 2008.
Požadavky
Očekává se, že studenti mají pracovní znalost optimalizace (Gauss-Newton method, Levenberg Marquardt method, full Newton method), matematické analýzy (gradient, Jacobian, Hessian, vícerozměrný Taylor polynom), linear algebra (least-squares method),pravděpodobnostní teorie (vícerozměrný gaussian), statistiky (maximum likelihood a maximum aposteriori estimate), programování v pythonu a algoritmů strojového učení.