Diskussion:BSE Moderne Tracking Systeme: Unterschied zwischen den Versionen
Zur Navigation springen
Zur Suche springen
Die Seite wurde neu angelegt: „= Errata = Sollten Sie in den Vorlesungsunterlagen Fehler finden, dürfen Sie diese gern hier publizieren. Ich bemühe mich diese umgehend zu beheben. {| class="wikitable" |- ! Lektion !! Dokument !! Seite !! Fehlerbeschreibung |- | 2 || Panopto Video zu Rekursive Filter || 17 || Fehlt in Formel xyz |}“ |
Keine Bearbeitungszusammenfassung |
||
| (4 dazwischenliegende Versionen desselben Benutzers werden nicht angezeigt) | |||
| Zeile 3: | Zeile 3: | ||
{| class="wikitable" | {| class="wikitable" | ||
|- | |- | ||
! Lektion !! Dokument !! Seite !! Fehlerbeschreibung | ! Lektion !! Dokument !! Seite !! Fehlerbeschreibung !! Status | ||
|- | |- | ||
| | | 1 || Prezi: BSE_MTS_L01_Audio || 5 || Workload ist nicht mehr aktuell (4,7 h nach neuer FPO) || Bearbeitung offen | ||
|} | |} | ||
= Ideen für 2026 = | |||
* Vergleich verschiedener Resampling Algorithmen anhand von quantitativen Kriterien. | |||
* Mehr EKF/UKF-Aufgaben | |||
* Vergleich EKF/UKF anhand von quantitativen Kriterien | |||
<!-- | |||
Story: | |||
Ein Roboter ist auf einer Scheibenwelt der Größe 100x100m gefangen. Es gibt nur einen Ausgang von 1m Breite an der Position x/y. Navigieren Sie den Roboter möglichst schnell zum Ausgang. Nutzen Sie ein Partikel-Filter zur Roboterlokalisierung. Der Roboter misst die Entfernung zu vier Landmarken (verrauscht) und kann sich bewegen (Schlupf). | |||
= Arbeitsblatt 1 – Grundlagen & Initialisierung = | |||
'''Thema:''' Zustandsunsicherheit und Partikelfilter | |||
'''Niveau:''' Bachelor Robotik / Informatik | |||
'''Bearbeitungszeit:''' 15–20 Minuten | |||
== Lernziele == | |||
Partikel als Hypothesen verstehen | |||
Unsicherheit modellieren | |||
Bedeutung der Initialisierung erklären | |||
== Aufgabe 1 – Konzeptfragen == | |||
Was repräsentiert '''ein einzelnes Partikel''' im Partikelfilter? | |||
Warum wird der Roboterzustand nicht als einzelner Punkt geschätzt? | |||
Nenne '''zwei Vorteile''' des Partikelfilters gegenüber dem Kalman-Filter. | |||
'''Antwort:''' | |||
Ein Partikel repräsentiert eine mögliche Hypothese über den Roboterzustand (z. B. Position und Orientierung). | |||
Wegen Sensor- und Bewegungsrauschen ist der Zustand unsicher und nicht eindeutig bestimmbar. | |||
Vorteile: | |||
#* Verarbeitung nichtlinearer Modelle | |||
#* Darstellung nicht-gaußförmiger und multimodaler Verteilungen | |||
== Aufgabe 2 – Initialisierung == | |||
Ein Roboter befindet sich in einem bekannten 10×10-Raster. | |||
Über seine Startposition ist '''keine Information''' vorhanden. | |||
Wie sollten 100 Partikel initial verteilt werden? | |||
Was wäre eine '''falsche Initialisierung''' und warum? | |||
Welche Annahme über die a-priori-Verteilung wird getroffen? | |||
'''Antwort:''' | |||
Gleichmäßig über den gesamten Zustandsraum verteilt. | |||
Alle Partikel an einer Position → impliziert fälschlicherweise hohe Sicherheit. | |||
Es wird eine uniforme a-priori-Verteilung angenommen. | |||
== Aufgabe 3 – Transfer == | |||
Angenommen, alle Partikel liegen initial auf derselben Position. | |||
Welche implizite Annahme wird dadurch getroffen? | |||
Welche Konsequenzen hat dies für die Lokalisierung? | |||
'''Antwort:''' | |||
Der Roboterzustand wird als sicher bekannt angenommen. | |||
Fehler können nicht mehr korrigiert werden, der Filter kann divergieren oder falsche Ergebnisse liefern. | |||
= Arbeitsblatt 2 – Prediction & Sensor-Update = | |||
'''Thema:''' Bewegungsmodell, Sensorlikelihood, Gewichtung | |||
'''Bearbeitungszeit:''' 25–30 Minuten | |||
== Lernziele == | |||
Bewegungsrauschen verstehen | |||
Sensorinformationen probabilistisch bewerten | |||
Gewichtung erklären | |||
== Aufgabe 1 – Prediction == | |||
Ein Roboter bewegt sich '''1 m vorwärts'''. | |||
Das Bewegungsrauschen ist normalverteilt mit σ = 0,2 m. | |||
Warum werden Partikel unterschiedlich weit bewegt? | |||
Was passiert mit Partikeln, die in einer Wand landen? | |||
'''Antwort:''' | |||
Wegen des stochastischen Bewegungsmodells (Motor- und Modellrauschen). | |||
Sie erhalten Gewicht 0 und werden im Resampling entfernt. | |||
== Aufgabe 2 – Sensorlikelihood == | |||
Ein Abstandssensor misst: | |||
: ''Abstand zur Wand = 3,0 m'' | |||
Gegeben sind drei Partikel: | |||
{| class="wikitable" | |||
! Partikel !! Erwarteter Abstand !! Likelihood | |||
P1 | |||
- | |||
P2 | |||
- | |||
P3 | |||
} | |||
Begründe die Likelihood-Zuordnung. | |||
'''Antwort:''' | |||
Partikel mit geringerer Abweichung zwischen erwarteter und gemessener Sensordistanz besitzen eine höhere Likelihood. | |||
== Aufgabe 3 – Sensorfusion == | |||
Der Roboter besitzt: | |||
einen Abstandssensor | |||
einen Landmarkensensor | |||
Wie werden die Likelihoods kombiniert? | |||
Welche Annahme liegt dieser Kombination zugrunde? | |||
'''Antwort:''' | |||
Durch Multiplikation der einzelnen Likelihoods. | |||
Annahme bedingter Unabhängigkeit der Sensoren. | |||
= Arbeitsblatt 3 – Resampling, Degeneracy & Schätzung = | |||
'''Thema:''' Filterstabilität und Zustandsabschätzung | |||
'''Bearbeitungszeit:''' 25–30 Minuten | |||
== Lernziele == | |||
Degeneracy Problem erklären | |||
Resampling verstehen | |||
Schätzmethoden vergleichen | |||
== Aufgabe 1 – Resampling == | |||
Nach dem Sensor-Update besitzen 100 Partikel folgende Eigenschaft: | |||
5 Partikel tragen 80 % des Gesamtgewichts | |||
Warum ist diese Situation problematisch? | |||
Was bewirkt Resampling? | |||
Nenne einen Nachteil von Resampling. | |||
'''Antwort:''' | |||
Die effektive Partikelanzahl ist sehr gering. | |||
Wahrscheinliche Partikel werden vervielfältigt, unwahrscheinliche entfernt. | |||
Verlust an Diversität (Sample Impoverishment). | |||
== Aufgabe 2 – Particle Degeneracy == | |||
Was versteht man unter dem '''Particle Degeneracy Problem'''? | |||
Wann tritt dieses Problem besonders stark auf? | |||
'''Antwort:''' | |||
Degeneracy bezeichnet das Kollabieren der Gewichte auf wenige Partikel. | |||
Besonders bei: | |||
#* schlechtem oder verrauschtem Sensor | |||
#* vielen Iterationen ohne Resampling | |||
== Aufgabe 3 – Zustandsabschätzung == | |||
Gegeben ist eine Partikelwolke mit '''zwei Clustern'''. | |||
Warum ist der Mittelwert der Partikel problematisch? | |||
Nenne zwei alternative Schätzmethoden. | |||
'''Antwort:''' | |||
Der Mittelwert liegt möglicherweise in einem physikalisch unmöglichen Bereich. | |||
Alternative Methoden: | |||
#* MAP-Schätzung | |||
#* Auswahl des dominanten Clusters (Clusterzentrum) | |||
== Aufgabe 4 – Transfer (Prüfungsstil) == | |||
Warum ist ein Partikelfilter für '''globale Lokalisierung''' geeignet, ein Kalman-Filter jedoch nicht? | |||
'''Antwort:''' | |||
Ein Kalman-Filter kann nur unimodale, gaußförmige Verteilungen darstellen und benötigt eine gute Initialschätzung. | |||
Ein Partikelfilter kann multimodale Verteilungen approximieren und mehrere Hypothesen parallel verfolgen, was für globale Lokalisierung notwendig ist. | |||
== Hinweis für Prüfungen == | |||
Typische Klausurfragen: | |||
** Degeneracy erklären | |||
** Likelihood qualitativ bewerten | |||
** PF vs. Kalman vergleichen | |||
Antworten sollten präzise und begrifflich korrekt sein. | |||
Wenn du willst, kann ich dir als nächsten Schritt: | |||
📘 eine komplette Musterklausur (90 min) im Wiki-Format | |||
🧮 Punkteschema mit Erwartungshorizont | |||
🔁 Version mit ROS-Bezug und Code-Transfer | |||
--> | |||
Aktuelle Version vom 5. Januar 2026, 12:56 Uhr
Errata
Sollten Sie in den Vorlesungsunterlagen Fehler finden, dürfen Sie diese gern hier publizieren. Ich bemühe mich diese umgehend zu beheben.
| Lektion | Dokument | Seite | Fehlerbeschreibung | Status |
|---|---|---|---|---|
| 1 | Prezi: BSE_MTS_L01_Audio | 5 | Workload ist nicht mehr aktuell (4,7 h nach neuer FPO) | Bearbeitung offen |
Ideen für 2026
- Vergleich verschiedener Resampling Algorithmen anhand von quantitativen Kriterien.
- Mehr EKF/UKF-Aufgaben
- Vergleich EKF/UKF anhand von quantitativen Kriterien