Popis předmětu

Hlavní stránka | Seznam oborů/specializací | Seznam všech skupin předmětů | Seznam všech předmětů | Seznam rolí Návod

Předmět je základní jednotka výuky, jejímž prostřednictvím si student osvojí ucelenou část souboru znalostí a dovedností, potřebnou pro zvládnutí studijního oboru/specializace. Za věcný obsah předmětu zodpovídá garant předmětu. Časovou náročnost předmětu zhruba vyjadřuje atribut předmětu rozsah kontaktní výuky. Například rozsah = 2+2 značí, že předmět bude mít týdně dvě hodiny přednášek a dvě hodiny cvičení týdně. Na závěr semestru musí vyučující provést vyhodnocení, nakolik si ten který student osvojil poznatky a dovednosti, kterých měl během výuky nabýt. Jakým způsobem toto hodnocení vyučující provedou určuje atribut způsob zakončení. U předmětu lze definovat, že předmět je zakončen pouze zápočtem(Z), klasifikovaným zápočtem(KZ), pouze zkouškou(ZK), nebo zápočtem a zkouškou(Z,ZK). Náročnost úspěšného absolvování předmětu je vyjádřena ECTS kreditními body. Výuka předmětu probíhá během semestru. Opakovaně se předmět vyučuje vždy v zimním(Z), nebo v letním(L) semestru každého akademického roku. Výjimečně může předmět být nabízen studentům v obou semestrech(Z,L). Za organizační zajištění výuky zodpovídá přiřazená katedra, která zejména vytvoří časový rozvrh předmětu a zajistí pro předmět vyučující. Někteří přednáší a zkouší, jiní vedou cvičení a udělují zápočty.
Obsahová náplň a další organizační informace, týkající se předmětu je popsána pomocí různých popisných textů(anotace, týdenní osnova, literatura, apod.)
$DODATEK_POPIS

NI-LSM	Laboratoř statistického modelování			Rozsah kontaktní výuky:	3C
Vyučující:	Dedecius K.			Způsob zakončení:	KZ
Zodpovědná katedra:	18105	ECTS Kredity:	5	Semestr:	L

Anotace:
Předmět je orientován na problematiku sledování jednoho či více cílů, kdy se student nejen seznamuje s existujícími metodami, ale sám si je i zkouší implementovat. Důraz je kladen na efektivní využití dostupné informace a její modelování s využitím numpy a scipy. Druhá polovina semestru je zaměřena na vlastní návrh metod a algoritmů, analýzu a ověřování jejich vlastností. V tomto bodě je předmět na hranici vlastního výzkumu a u zájemců může přerůst v závěrečnou práci (diplomovou, příp. i bakalářskou).

Osnovy přednášek:

1. Úvod do statistického modelování, bayesovský přístup.

2. Lineární model, apriorní a aposteriorní informace.

3. Kalmanův filtr, sledování jednoho cíle

4. Kalmanův filtr při falešných měřeních.

5. PDA filtr.

6. PDA filtr - pokračování.

7. Projekt: Zadání problému.

8. Projekt: Analýza stavu poznání.

9. Projekt: Návrh vhodných řešení.

10. Projekt: Implementace navržených řešení.

11. Projekt: Analýza dosažených výsledků.

12. Projekt: Vyhodnocení.

Osnovy cvičení:

1. Úvod do statistického modelování, bayesovský přístup.

2. Lineární model, apriorní a aposteriorní informace.

3. Kalmanův filtr, sledování jednoho cíle

4. Kalmanův filtr při falešných měřeních.

5. PDA filtr.

6. PDA filtr - pokračování.

7. Projekt: Zadání problému.

8. Projekt: Analýza stavu poznání.

9. Projekt: Návrh vhodných řešení.

10. Projekt: Implementace navržených řešení.

11. Projekt: Analýza dosažených výsledků.

12. Projekt: Vyhodnocení.

Literatura:

1. E. Brekke: Fundamentals of sensor fusion. NTNU, 2021

2. X. Rong Li and Y. Bar-Shalom, ?Tracking in clutter with nearest neighbor filters: analysis and performance,? IEEE Transactions on Aerospace and Electronic Systems, vol. 32, no. 3, pp. 995?1010, Jul. 1996, doi: 10.1109/7.532259.

3. Y. Bar-shalom, F. Daum, and J. I. M. Huang, ?The probabilistic data association filter,? IEEE Control Systems, vol. 29, no. 6, pp. 82?100, Dec. 2009, doi: 10.1109/MCS.2009.934469.

Požadavky:
BI-LIN, BI-ZMA Ideálně BI-PST

Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/NI-LSM/

Stránka vytvořena 19. 4. 2024, semestry: Z/2021-2, Z/2023-4, Z/2022-3, Z/2019-20, Z/2024-5, L/2021-2, L/2020-1, L/2022-3, L/2023-4, Z/2020-1, L/2019-20, připomínky k informační náplni zasílejte správci studijních plánů

Návrh a realizace: J. Novák, I. Halaška

1.		Úvod do statistického modelování, bayesovský přístup.
2.		Lineární model, apriorní a aposteriorní informace.
3.		Kalmanův filtr, sledování jednoho cíle
4.		Kalmanův filtr při falešných měřeních.
5.		PDA filtr.
6.		PDA filtr - pokračování.
7.		Projekt: Zadání problému.
8.		Projekt: Analýza stavu poznání.
9.		Projekt: Návrh vhodných řešení.
10.		Projekt: Implementace navržených řešení.
11.		Projekt: Analýza dosažených výsledků.
12.		Projekt: Vyhodnocení.

1.		E. Brekke: Fundamentals of sensor fusion. NTNU, 2021
2.		X. Rong Li and Y. Bar-Shalom, ?Tracking in clutter with nearest neighbor filters: analysis and performance,? IEEE Transactions on Aerospace and Electronic Systems, vol. 32, no. 3, pp. 995?1010, Jul. 1996, doi: 10.1109/7.532259.
3.		Y. Bar-shalom, F. Daum, and J. I. M. Huang, ?The probabilistic data association filter,? IEEE Control Systems, vol. 29, no. 6, pp. 82?100, Dec. 2009, doi: 10.1109/MCS.2009.934469.