MiG

Robotik

This class will give an introduction to robotics. It will be structured into the following parts:

  • Generating motion and and dynamic control: This chapter will cover coordinate frames, non-holonomic constraints, Ackermann-drive (in analogy to street cars), PID.
  • Planning: Planning around obstacles, path finding, Dijkstra, A*, configuration space obstacles, RRTs, lattice planners, gradient methods, potential fields, splines.
  • Localization and mapping: state estimation problem, Bayesian filter, Odometry, Particle & Kalman filter, Extended and Unscented Kalman-Filter, simultaneous localization and mapping (SLAM).
  • Vision and perception: SIFT, HOG-features, Deformable parts models, hough transform, lane detection, 3d-point clouds, RANSAC .

After these lectures, students will be able to design basic algorithms for motion, control and state estimation for robotics.

(19304701/ 19304702)

Typ

VL/Ü

Dozent/in

Daniel Göhring

Institution

Dahlem Center for Machine Learning and Robotics

Sprache

Englisch

Anmeldemodalität

Zeit

Vorlesung: Montags von 8-10 Uhr im SR 005 der Takustr. 9.

Übung: Dienstags von 12 - 14 Uhr im SR049 der Takustr. 9

Beginn

23.10.2017 | 08:00 — 13.02.2018 | 14:00

Links auf Kursbeschreibung

Die Vorlesung gibt eine Einführung in die Robotik. Sie ist in folgende Themenschwerpunkte untergliedert:

  • Bewegungserzeugung und dynamische Regelungsverfahren: Dieser Schwerpunkt beschäftigt sich mit Koordinatensystemen, kinematischen Ketten, inverser Kindematik, Jacobimatrizen, Singularitäten, nichtholonomen Bewegungsmodellen, Ackermannmodellen sowie PID-Reglern.
  • Planungsverfahren: Planung mit Hindernissen, Finden von Pfaden, Dijkstra, A*, Hindernisse im Konfigurationsraum, RRT, lattice planner, Gradientenabstieg, Potenzialfeldmethoden, Splines
  • Lokalisierung und Mapping: Zustandsabschätzung, Bayesfilter, Odometrie, Partikelfilter, Kalmanfilter, SLAM-Verfahren.
  • Vision und Umgebungswahrnehmung: SIFT, HOG-features, deformable parts models, hough transform, Spurerkennung, 3d-Punktwolken, RANSAC .

Nach dieser Vorlesung werden die Studenten in der Lage sein, einfache Algorithmen zur Bewegungserzeugung und Zustandsabschätzung für Roboter zu erzeugen