This course mainly focuses on estimation using Kalman filter and particle filter. In this course you will go into depth and get very familiar with two methods that in the other course you will learn are specific examples of wider classes of methods.
Course Structure
There are 12 lectures. Both theory and practice of estimation will be covered. Getting practical skills in anything requires you to get hands-on experience and as such the work between the lectures will be very important.
Two labs cover the Kalman and particle filters.
For the final project, the student should work in pairs and implement an estimation method. Each student needs to write an individual report including a literature study.
Recommended Prerequisits:
Courses corresponding to SF1624 Algebra and Geometry, SF1901 Probability Theory and Statistics,
Literature
The official course book is "Probabilistic robotics" by Thrun, Burgard and Fox, The MIT Press, ISBN 0-262-20162-3. Some of the material will be in the form of research publications. The students are assumed able to research for additional material to solve the project assignment.
KTH Campus
50%
50237
Normal Dagtid
Engelska
Ingen platsbegränsning
Öppen för alla program under förutsättning att kursen kan ingå i programmet.
Masterprogram, ICT Innovation, åk 2, AUSM, Rekommenderad
Masterprogram, ICT Innovation, åk 2, AUSY, Rekommenderad
Masterprogram, datalogi, åk 2, CSCS, Rekommenderad
Masterprogram, datalogi, åk 2, CSDA, Rekommenderad
Masterprogram, industriell ekonomi, åk 1, MAIG, Villkorligt valfri
Masterprogram, maskininlärning, åk 1, Villkorligt valfri
Masterprogram, maskininlärning, åk 2, Villkorligt valfri
Masterprogram, systemteknik och robotik, åk 1, RASM, Obligatorisk
John Folkesson (johnf@kth.se)
Notera: all information från kursplanen visas i tillgängligt format på denna sida.
Kursplan EL2320 (HT 2024–)Kursen fokuserar på att ge deltagarna praktisk erfarenhet av att använda olika skattningsmetoder på verkliga problem. Exempel som används i kursen är till exempel från navigering med mobila robotar.
Följande behandlas inom kursen: Observerbarhet, Markovantagandet, dataassociation, skattningsmetoder så som Kalman filter, Extended Kalman filter, partikelfilter, Rao-Blackwellized particle filter, Unscented Kalman Filter, Covariance Intersection.
Efter godkänd kurs ska studenten kunna
i syfte att kunna arbeta med skattning.
Kunskaper i sannolikhetsteori och statistik, 6 hp, motsvarande slutförd kurs SF1900/SF1910-SF1935.
Kurser motsvarande SF1624 Algebra och geometri, SF1901 Sannolikhetsteori och statistik, SF1635 Signaler och system, del I. Kunna programmera i MATLAB.
The official course book is "Probabilistic robotics" by Thrun, Burgard and Fox, The MIT Press, ISBN 0-262-20162-3 covers most of the material in the course from a robotics points of view. Letcures notes will also be made available. This course is at advanced level so some of the material will be in the form of research publications. The students are assumed able to research for additional material to solve the project assignment.
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.
Examinator får medge annan examinationsform vid omexamination av enstaka studenter.
Möjlighet till omexamination av samtliga kontrollskrivningar (KON1) ges under tentamensperioden i slutet av kursen.
Slutbetyget baseras på hur väl studenten utfört KON1, PRO1, och PRO2 i kombination.
Det finns en rik uppsättning kurser om relaterad uppskattning, kontroll, signalbehandling, systemteori, etc som EQ2800 Optimal filtrering, EQ2300 Digital signalbehandling, EQ2400 Adaptiv signalbehandling, SF2842 Geometrisk styrteori, EQ2810 Estimeringsteori, forskarförberedande
Det tidigare provmomentet TEN1 har ersatts av KON1.
I denna kurs tillämpas EECS hederskodex, se:
http://www.kth.se/eecs/utbildning/hederskodex.
