Лекции:
- Типы датчиков и физические основы их функционирования
- Типы сенсоров и физические основы их функционирования, характеристики. Особенности применения в робототехнике. Методы определения требований к сенсорной информации для обеспечения функционирования систем.
- Введение Системы очувствления и физические сенсоры
- Блок 1 Типы задач для систем очувсления
- Блок 2 Типы существующих датчиков
- Блок 3 Типы данных, с которыми мы работаем
- Блок 4 Формирование задачи для системы очувствления, опредление необходимых датчиков
- Введение Системы очувствления и физические сенсоры
- Типы сенсоров и физические основы их функционирования, характеристики. Особенности применения в робототехнике. Методы определения требований к сенсорной информации для обеспечения функционирования систем.
- Байесовская фильтрация
- Теории вероятности для описания погрешностей измерений. МНК. Линейный фильтр Калмана. Расширенный фильтр Калмана. Фильтр Калмана по сигма точкам. Фильтр частиц.
- Лекция 1
- Блок 1 Кратко вспоминаем теорвер и ЛИНЕЙНУЮ АЛГЕБРУ. Коротко о типах погрешностей, которые мы можем моделировать при помощи различных распределений.
- Блок 2. Понятие модели с примерами. Метод наименьших квадратов как метод максимизации правдоподобия. Пакетный МНК.
- Блок. 3 Байесовская фильтрация. Общая поставновка задачи.
- Блок. 4 Фильтр частиц. Пример использования. Задача локализации.
- Лекция 2
- Блок 1. Почему нормальное распределение так часто используется. Фильтр Калмана: линейный и нелинейный.
- Блок 2. Фильтр калмана по сигма точкам.
- Блок 3. Примеры использования в робототехнике.
- Лекция 1
- Теории вероятности для описания погрешностей измерений. МНК. Линейный фильтр Калмана. Расширенный фильтр Калмана. Фильтр Калмана по сигма точкам. Фильтр частиц.
- Обработка измерительной информации
- Обнаружение признаков и их сопоставление. Нейронные сети прямого распространения, градиентный спуск, разбиение данных, регуляризация. Сверточные нейронные сети: обнаружение объектов. Семантическая сегментация.
- Лекция 3
- Блок 1. Обработка данных с IMU
- Блок 2. Обработка данных с GNS
- Блок 3. Обединение данных IMU и GNS. Уменьшение влияния шумов.
- Блок 4. Обработка данных LIDAR
- Лекция 4
- Блок 1. Обработка данных с камеры
- Блок 2. Калибровка камеры.
- Блок 3. Фильтрация изображения
- Блок. 4 Оценка глубины
- Лекция 5
- Блок 1. Призначи на изображении и дескрипторы. Поиск объектов на изображении.
- Блок 2. Визуальная одометрия.
- Блок 3. Нейронные сети для обработки изображений. CNN.
- Блок 4. Обнаружение и классификация объектов, оценка глубины. Семантическая сегментация.
- Лекция 3
- Обнаружение признаков и их сопоставление. Нейронные сети прямого распространения, градиентный спуск, разбиение данных, регуляризация. Сверточные нейронные сети: обнаружение объектов. Семантическая сегментация.
- Комплексная обработка информации для задач локализации и восприятия окружения
- Разметка пространства и базовые подходы для планирования движения. Визуально-инерциальная одометрия.
- Лекция 6
- Блок 1. Задача, сценарий и поведение. Ограничения
- Блок 2. Планирование.
- Блок 3. Разметка окружения: карта занятости
- Блок 4. Графовые методы раметки и поиска пути.
- Лекция 7
- Блок 1. Предсказание движения
- Блок 2. Время до сбоя
- Блок 3. Планировнаие поведения
- Блок 4. Планирование поведения с учетом динамики
- Лекция 6
- Комлплексирование данных.
- Лекция 8
- Визуально-инерциальная одометрия
- Использвоание симуляторов
- Конечные автоматы (блок принятия решения)
- Лекция 8
- Разметка пространства и базовые подходы для планирования движения. Визуально-инерциальная одометрия.
Дополнительные материалы курса:
Справочная информация (Основные матричные операции, Случайные величины в векторной форме).
Глава 3. Метод наименьших квадратов, Optimal State Estimation, стр. 79–105 (на английском).
Метод наименьших квадратов. Интерактивная линейна алгебра (на английском)
Центральная предельная теорема (интерактив)
Фильтр частиц (интерактив) (ENG)
Robust Estimation : RANSAC
Robust and Efficient Robotic Mapping
2D Mapping Solutions for Low Cost Mobile Robot