Multisensorsysteme

Dozent: Prof. Schneider

Lernergebnisse/Kompetenzen

Die Studierenden können geeignete Methoden zur Multisensordatenfusion und zum Objekttracking auswählen und umsetzten.

Inhalte

• Einführung Multisensorsysteme
• Auffrischung der statistischen Grundlagen (z.B. Satz von Bayes)
• Einführung in die Schätztheorie
• Zustandsraum-Modell
• Kalman-Filter
• Verfahren zur Multisensor-Datenzuordnung
• Verfahren zur Multisensor-Datenfusion
• Verfahren zum Objekttracking
• Komplementärfilter
• optional: SLAM

Erwartungen an Ihre Lösungen

• Berücksichtigen Sie die in den Veranstaltungen genannten Leitregeln für wissenschaftliches Arbeiten.
• Nutzen Sie Matlab Simulation und ggf. praktische Versuche, um Ihre Ergebnisse zu belegen.
• Beachten Sie das Kursmaterial in Moodle und SVN.
• Archivieren Sie Ihre Daten nachhaltig im dafür vorgesehenen SVN Ordner.
• Nutzen Sie SVN während des Semesters als Versionierungstool.
• Halten Sie sich beim Erstellen von Quelltext an die Programmierrichtlinien für Matlab.
• Erleichtern Sie die Verwendung Ihrer Quellen durch Kommentare, Header, Hilfedatei und ReadMe.txt.

Prüfung

• In der Prüfung wird Ihnen ein praktisches Problem präsentiert, welches Sie in einem gesteckten Zeitrahmen zu lösen haben.
• Befolgen Sie die Anweisungen auf dem Prüfungsbogen.
• Sichern Sie Ihre Ergebnisse in dem dafür vorgesehenen Ordner in SVN.
• Die Bewertung erfolgt an den hier aufgeführten Kriterien
  • Vollständigkeit
  • Ergebnisqualität
  • Quelltext-Effizienz
  • Quelltext-Lesbarkeit
  • Nachhaltigkeit
• Prüfungstermine der Teilprüfungen
• Ein Beispiel liegt für Sie im Ordner Klausurvorbereitung. Orientieren Sie sich an der Programmstruktur.

FAQ

• Können Sie Beispiele für das zu modellierenden Modell nennen?
  • Ein Auto steht, beschleunigt, fährt mit konstanter Geschwindigkeit in einer Ebene und verzögert wieder bis zum Stillstand.
  • Der schräge Wurf eines Balls.
  • Ein Flummi hüpft bis zum Stillstand.
  • Ein Ball rollt über einen Rasen.
  • Eine Kugel taucht in Wasser ein.

Siehe auch

• Allgemeine Bewertungskriterien für Softwareprojekte
• Wissenschaftliches Arbeiten mit LaTeX
• Anforderungen an eine wissenschaftlich Arbeit
• Checkliste vor der Abgabe

Literatur

• Bar-Shalom, Y.: Multitarget-Multisensor Tracking : Advanced Applications. Norwood: Artech House, 1990
• Bar-Shalom, Y.; Li, X.-R.: Estimation and Tracking : Principles, Techniques and Software. Norwood: Artech House, 1993
• Blackman, S. S.: Multiple-Target Tracking with Radar Applications. Norwood: Artech House, 1986
• Blackman, S. S.; Popoli, R.: Design and Analysis of Modern Tracking Systems. Norwood: Artech House, 1999
• Brooks, R. R.; Iyengar, S. S.: Multi-Sensor Fusion : Fundamentals and Applications with Software. Upper Saddle River : Prentice-Hall, 1998
• Kim, P: Kalman-Filter für Einsteiger. Leipzig: CreateSpace, 2016. ISBN 978-1-50272-378-9
• Mitchell, H.B.: Multi-Sensor Data Fusion: An Introduction. Berlin Heidelberg: Springer, 2010. ISBN 978-3540714637
• Raol, J. R.: Multi-Sensor Data Fusion with MATLAB. Crc Pr Inc, 2009. ISBN 978-1439800034
• Sanjeev, B.; u.a: Beyond the Kalman Filter: Particle Filters for Tracking Applications. DSTO, 2004. ISBN 1-58053-631-x
• Subhash, C.; u.a.: Fundamentals of Object Tracking. Cambridge University Press, 2011. ISBN 978-0521876285
• Thomas, C.: Sensor Fusion and Its Applications. URL: www.sciyo.com