== Kurs "Theorie der Sensorfusion" (Winter 2014/15) == === Veranstalter === Prof. Dr. Udo Frese Wintersemester 2014/15 Veranstaltungskennziffer: 03-ME-699.05 Kategorie V (ECTS: 6) '''K4 SWS:''' Mo: 16:15-17:45, GW1 H1000 <
> Mi: 10:15-11:45, GW1 H1000 === Neuigkeiten === === Teilnehmer === * Informatik Diplom und Master * Digital Media Master / (M-104 Advanced Topics). * Systems Engineering: Bereiche: Mechatronik, Robotik, Systems Engineering * alle Studiengänge, die Informatikscheine akzeptieren === Beschreibung === Die Bestimmung der Position, entweder der eigenen oder der fremder Objekte, ist eine Aufgabe, die über Jahrhunderte hinweg eine Herausforderung für Mathematiker, Ingenieure und Geodäten war und vielfältige Anwendungen in Schiff-, Luft- und Raumfahrt, Astronomie, Verkehrswesen, Logistik, Robotik oder sogar im Sport hat. Über die Zeit wurde zu diesem Zwecke eine Vielzahl von Sensoren entwickelt, die von Sextanten, Theodoliten bis hin zu satellitengestütztem GPS und Kameras mit nachgeschalteter Bildverarbeitung reicht. . Abstrahiert man von der technischen Realisierung ist allen Sensoren gemein, dass ihre Messwerte mit Fehlern behaftet sind und dass dieser Fehler je nach Sensor bei unterschiedlichen Aspekten der Position sehr verschieden gross sein kann. Beispielsweise kann die Position in verschiedenen Richtungen unterschiedlich genau sein oder die Positionsänderung während einer Bewegung kann genauer sein als die absolute Position. Die Vorlesung "Theorie der Sensorfusion" widmet sich der Frage, wie man die fehlerbehafteten Messwerte unterschiedlicher Sensoren so kombinieren kann, dass ein möglichst genaues Ergebnis entsteht. Sie entwickelt eine probabilistische Theorie, die erlaubt zu verstehen und im Rechner zu modellieren, welche Aspekte einer Größe wie genau sind. Daraus leitet sie als erstes zentrales Ergebnis den (Extended) Kalman Filter Algorithmus her, der die gewünschte optimale Verknüpfung leistet. Der zweite Teil der Vorlesung beschäftigt sich mit dem besonderen Problem der Schätzung der Lage (also Position und ''Orientierung'' ) eines Objektes. Er diskutiert die Darstellung durch homogene Matrizen und deren Einbindung in den Kalman Filter zur Schätzung der Lage. Kompetenzziele sind: * fehlerbehafteter Größen in der Sprache der Stochastik (Kovarianzmatrix, Gaussverteilung) modellieren können * den (Extended/Unscented) Kalman Filters verstehen, implementieren und anwenden können * anschauliche Probleme der Sensorfusion mit Kalman Filtern modellieren und lösen können * Anschauung und Theorie in Bezug bringen zu können um Anwendungsprobleme und ihre Lösung mit Sensorfusionsalgorithmen beurteilen zu können ==== Teilnahme ==== Studierende der Informatik (Bereich Theorie), Digitale Medien und Systems Engineering (Bereiche Robotik, Mechatronik, Systems Engineering) im Hauptstudium. ==== Skript ==== Vom ersten Durchlauf der Veranstaltung gibt es ein Skript, das wir in diesem Durchlauf aktualisieren und weiter pflegen. Der Dank dafür geht an Christoph Hertzberg, Janosch Machowinski, René Wagner, und Pierre Willenbrock. [[https://svn-agbkb.informatik.uni-bremen.de/ufrese/teaching/tds/skript/pdf/tds14skript.pdf|Theorie der Sensorfusion Skript 2014]] ==== Inhalt ==== Vorläufige Terminplanung (V=Vorlesung, Ü=Übung). || 01. || 13.10. || V || Einführung. Warum Sensorfusion? Die drei Leitbeispiele in 1D, 2D und 3D. || || || 02. || 15.10. || V || Wahrscheinlichkeitsrechnung im R, Wahrscheinlichkeitsräume, Unabhängigkeit || Übung 1 (5.11.14) || || 03. || 20.10. || Ü || Erwartungswert, Übung zu Wahrscheinlichkeitsrechnung im R, Beispiel: Monty-Hall-Paradoxon || || || 04. || 22.10. || V || Fusion zweier Messwerte: Optimaler Schätzer || || || 05. || 27.10. || Ü/V || Generalisierung auf n Messwerte / Bayes'sche Sichtweise auf die Fusion zweier Messwerte || || || 06. || 29.10. || V || Wahrscheinlichkeitsrechnung im R, Varianz, Kovarianz || || || 07. || 03.11. || V || Korrelation, Cauchy-Schwarz, Faltung, Zentraler Grenzwertsatz || || || 08. || 05.11. || Ü/V || Übung Rechenregeln E, V, Cov / Bayes-Netze || Übung 2 (1.12.14) || || 09. || 10.11. || Ü || Rückgabe und Besprechung Übungszettel 1 || || || 10. || 12.11. || V || Bayes-Filter als Zustandsschätzer mit Übung|| || || 11. || 17.11. || V || Kalman Filter in einer Dimension || || || 12. || 19.11. || Ü || Übung mit KF Modellierungsbeispielen || || || 13. || 24.11. || Ü || Extended Kalman Filter, Übung mit EKF Modellierungsbeispielen || || || 14. || 26.11. || Ü/V || Übung Linearisierung; Grundlagen Lineare Algebra || || || 15. || 01.12. || V/Ü || Grundlagen Lineare Algebra, Übung lineare Algebra || || || 16. || 03.12. || Ü || Rückgabe und Besprechung Übungszettel 2 || || || 17. || 08.12. || V || Wahrscheinlichkeitsrechnung im R^n || Übung 3 (12.1.2015) || || 18. || 10.12. || Ü || Übung Wahrscheinlichkeitrechnung im R^n, Jacobi Matrizen|| || || 19. || 15.12. || V || Optimale Fusion von Messungen in n-D, Übung || || || 20. || 17.12. || Ü || Übung Anwendungen der Fusion in n-D || || || 21. || 05.01. || V || Kalman Filter, Extended KF, Unscented KF || || || 22. || 07.01. || V || Konditionierungslemma, Beweis KF, Übung KF || || || 23. || 12.01. || Ü || Übung KF || Übung 4 (26.1.2015) || || 24. || 14.01. || V || Darstellung von Isometrien || || || 25. || 19.01. || V || [+]-Manigfaltigkeiten || || || 26. || 21.01. || V || Unscented Kalman Filter auf [+]-Manigfaltigkeiten|| || || 27. || 26.01. || Ü || Rückgabe und Besprechung Zettel 3|| || || 28. || 29.01. || Ü || Rückgabe und Besprechung Übungszettel 4 || || ==== Literatur ==== || C. Hertzberg, J. Machowinski, R. Wagner, P. Willenbrock, U. Frese, L. Schröder || Skript Theorie der Sensorfusion 2006 || Die Vorlesung mitgetext. || || U. Frese, L. Schröder || Merkzettel mathematische Grundlagen (im Skript) || Grundlagen in Statistik und Linearer Algebra || || Y. Bar-Shalom, X.R. Li, T. Kirubarajan || Estimation with Applications to Tracking and Navigation, J. Wiley, 2001 || Herleitung des Kalman Filters|| || S. Thrun, W. Burgard, D. Fox || Probabilistic Robotics - Kalman Filter Slides || Erklärung von KF, EKF, UKF. Grosse Teile des Vorlesungsstoff in Kurzform. Sehr gute Ergänzung. || || S. Thrun, W. Burgard, D. Fox || Probabilistic Robotics, MIT Press, 2006 || Generelle Referenz, Sensorfusion, aber nicht 3D || || R. Hafner || Wahrscheinlichkeitsrechnung und Statistik, Springer 1989 || Statistische Grundlagen, nicht die eigentliche Sensorfusion || || D. Kehlmann || Die Vermessung der Welt, rororo || Unterhaltung um Gauss & Humboldt || || S. Thrun, W. Burgard, D. Fox || Probabilistic Robotics - Web Site || Abbildungen, Videos, etc. aus dem gleichnamigen Buch. || || W.H. Press, S.A. Teukolsky, W.T. Vetterling, B.P. Flannery, University Press || Numerical Recipes in C, Second Edition || Mehrdimensionale quadratische Ausgleichsrechnung, keine * Kalman Filter || || Richard Hartley and Andrew Zisserman || Multiple View Geometry, Cambridge University Press || Projektive Geometry, 3D Koordinatentransformationen, Generell: Geometrische Auswertung von Bildverarbeitungsergebnissen ||