Multisensorsysteme

Aus HSHL Mechatronik
Version vom 20. Januar 2020, 09:42 Uhr von Ulrich Schneider (Diskussion | Beiträge)
(Unterschied) ← Nächstältere Version | Aktuelle Version (Unterschied) | Nächstjüngere Version → (Unterschied)
Zur Navigation springen Zur Suche springen

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.

Vereinbarungen WS 19/20

Themen WS 17/18

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

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