SNY har ordet

Kursutvärderingar

Innehåll

• Introduktion till autonoma system och farkoster; identifiering av möjligheter och svårigheter.
• Vanliga systemarkitekturer för autonomt beslutsfattande, maskininlärning, planering och reglering.
• Dynamiska modeller för planering och styrning av autonoma farkoster.
• Grundläggande planeringsalgoritmer i grafer och träd för rörelser hos enkla robotar.
• Avancerade algoritmer för rörelseplanering för icke-holonoma farkoster beskrivna av dynamiska rörelseekvationer med differentiella bivillkor.
• Introduktion till och användande av metoder för lokalisering och kartering för autonoma farkoster.
• Reglering av autonoma farkoster; vägföljning, modell-prediktiv reglering (MPC) och reglering av banhastighet.
• Lärande system inom autonoma farkoster: reinforcement learning, maskininlärning medelst djupa neurala nätverk och Markov-beslutsprocesser (MDP).
• Samarbetande autonoma farkoster, inklusive markfordon och flygande farkoster, samt erforderlig kommunikation.
  
  

Mål

  Att ge en teoretisk, teknisk och praktisk grund för hur planering
  och reglering för autonoma farkoster kan realiseras i komplexa
  scenarier. Det övergripande målet är förståelse för hur metoder från
  olika fält kan samverka och integreras för att tillämpas på autonoma
  farkoster.

  Efter genomförd kurs skall studenten kunna

• förklara och identifiera möjligheter och svårigheter med autonoma farkoster i samhället.
• beskriva, använda, och värdera vanliga systemarkitekturer för autonoma farkoster.
• välja nödvändig instrumentering och förklara hur olika komponenter används samt hur dessa samverkar inom planering, reglering, kartering, perception och andra centrala delar av en autonom farkost.
• beskriva och jämföra moderna algoritmer för rörelseplanering och reglering av farkoster med kinematiska och dynamiska begränsningar samt att kunna motivera val av metod i ett specifikt scenario.
• beskriva och föreslå strategier för hur robusthet i systemen kan uppnås genom återkoppling samt kunna tillämpa optimal styrning och modellprediktiv reglering för autonoma farkoster.
• förklara och utvärdera interaktionen mellan rörelseplanering och reglering av en autonom farkost.
• identifiera hur lärande kan användas för en autonom farkost.
• implementera enklare regulatorer och planerare för system av samarbetande autonoma farkoster.
• implementera funktioner på existerande hårdvaruplattform med hjälp av tillgängliga kodbibliotek för att lösa problem för autonoma farkoster i labbmiljö.
• beskriva delar av den senaste forskningen inom fältet samt kunna läsa och tillgodogöra sig ny metodik som presenteras i vetenskapliga artiklar.
   

Examinationsmoment

Examination

Organisation

Kursen består av föreläsningar, lektioner, inlämningsuppgifter, samt avslutande projekt.

Litteratur

Böcker

• LaValle, S.M., (2006) Planning Algorithms, Cambridge University Press.
• Siciliano, Bruno, Khatib, Oussama, (2016) Handbook of Robotics Springer
  ISBN: 9783319325507
• Sutton, R. S., and Barto, A. G, (2018) Reinforcement Learning: An Introduction, 2nd Ed. Cambridge, MA: MIT Press.

Artiklar

• Paden, B., Cap, M., Yong, S. Z., Yershov, D., and Frazzoli, E., A survey of motion planning and control techniques for self-driving urban vehicles, IEEE Trans. Intell. Vehicles 1:1 (2016) 33–55.

Övrigt

• Kurslitteraturen består av bokkapitel, vetenskapliga artiklar i tidskrifter och konferenser i fältet, samt kursmanuskript. Ovanstående böcker och artiklar utgör en delmängd av den litteratur som kommer att användas i kursen. En komplett litteraturlista kommer att finnas tillgänglig via kursens hemsida.

Relaterade profiler

Rekommenderade förkunskaper

Reglerteknik, grundläggande mekanik och programmering.

Kommentarer