Springe direkt zu Inhalt

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)

TypVL/Ü
Dozent/inDaniel Göhring
InstitutionDahlem Center for Machine Learning and Robotics
SpracheDeutsch
Anmeldemodalität
Beginn17.10.2022 | 12:00
Ende13.02.2023 | 14:00
Zeit
  • Vorlesung: Montags 12-14 Uhr. Ort: Arnimallee 6 (Pi-Gebäude), SR007/008.
  • Übung: Dienstags von 10-12 Uhr. Ort: Arnimallee 6 (Pi-Gebäude), SR007/008.

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