Hoppa till huvudinnehållet
Till KTH:s startsida

FEL3320 Tillämpad estimering 7,5 hp

Information per kursomgång

Termin

Information för HT 2024 Start 2024-10-28 programstuderande

Studielokalisering

KTH Campus

Varaktighet
2024-10-28 - 2025-01-13
Perioder
P2 (7,5 hp)
Studietakt

50%

Anmälningskod

51441

Undervisningsform

Normal Dagtid

Undervisningsspråk

Engelska

Kurs-PM
Kurs-PM är inte publicerat
Antal platser

Ingen platsbegränsning

Målgrupp
Ingen information tillagd
Planerade schemamoduler
[object Object]
Del av program
Ingen information tillagd

Kontakt

Examinator
Ingen information tillagd
Kursansvarig
Ingen information tillagd
Lärare
Ingen information tillagd
Kontaktperson

John Folkesson (johnf@kth.se)

Kursplan som PDF

Notera: all information från kursplanen visas i tillgängligt format på denna sida.

Kursplan FEL3320 (VT 2019–)
Rubriker med innehåll från kursplan FEL3320 (VT 2019–) är markerade med en asterisk ( )

Innehåll och lärandemål

Kursinnehåll

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.

Lärandemål

Målet med kursen är att ge teoretisk och praktisk kunskap, färdigheter och erfarenhet av att arbeta med skattning. Kursen utgår från ett antal konketa exempel för att motivera behovet av vissa filtertekniker såsom Kalmanfilter och partikelfilter. Efter avslutad kurs:

  • Studenten skall kunna beskriva delarna i rekursiv Bayesiansk filtrering i termer av sannolikheter, jämföra olika skattningstekniker och välja och tillämpa lämplig metod på problem. 
  • Studenten kommer att ha reflekterat över sambanden mellan mätosäkerhet, sannolikhetsteori och skattningsmetoder.
  • Studenten kommer att ha tillskansat sig erfarenhet i att hitta information i den vetenskapliga literaturen inklusive nyligen publicerade journalartiklar. Studenterna kommer också att ha fått erfarenhet av att presentera resultat i strukturerade vetenskapliga rapporter.

Kurslitteratur och förberedelser

Särskild behörighet

Ingen information tillagd

Rekommenderade förkunskaper

Studenten skall ha kännedom om sannolikhetsteori motsvarande en grundläggande kurs i sannolikhet och statistik

Utrustning

Ingen information tillagd

Kurslitteratur

Ingen information tillagd

Examination och slutförande

När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.

Betygsskala

P, F

Examination

  • EXA1 - Examination, 7,5 hp, betygsskala: P, F

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.

Kursen examineras med laborationer (PRO1), en tenta (TEN1) och ett project (PRO2).

PRO1: 2.0hp
PRO2: 2.0hp
TEN1: 3.5hp

När alla dessa har avklarats är studenten godkänd på kursen.  

För godkänd på tenta krävs 80% rätta svar. För godkänt på PRO2 krävs motsvarande ett B.

Övriga krav för slutbetyg

För att få slutbetyg måste studenten uppfylla minimumkraven för laborationerna, projektuppgiften och tentan.

Möjlighet till komplettering

Ingen information tillagd

Möjlighet till plussning

Ingen information tillagd

Examinator

Etiskt förhållningssätt

  • Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
  • Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
  • Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.

Ytterligare information

Kursrum i Canvas

Registrerade studenter hittar information för genomförande av kursen i kursrummet i Canvas. En länk till kursrummet finns under fliken Studier i Personliga menyn vid kursstart.

Ges av

Huvudområde

Denna kurs tillhör inget huvudområde.

Utbildningsnivå

Forskarnivå

Påbyggnad

There is a rich set of courses on related estimation, control, signal processing, systems theory, etc such as EQ2800 Optimal filtering, EQ2300 Digital signal processing, EQ2400 Adaptive signal processing, SF2842 Mathematical Systems Theory, EQ2810 Estimation theory

Kontaktperson

John Folkesson (johnf@kth.se)

Forskarkurs

Forskarkurser på EECS/Reglerteknik