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

Anotace:
Tématem LSM2 je pokročilé sledování více cílů (MTT, Multiple Target Tracking). Do této domény patří např. současné sledování více cílů radarem v přítomnosti falešných cílů (clutteru) či video tracking. V rámci předmětu budeme budovat filtry odpovídající aktuálnímu standardu, konkrétně půjde PHD (Probability Hypothesis Density) a PMBM (Poisson Multi-Bernoulli) filtry.

Osnovy přednášek:

Osnovy cvičení:

1.		Úvod do problematiky.
2.		Teorie náhodných konečných množin.
3.		PHD filtr: základní principy.
4.		PHD filtr: problematika exploze směsi.
5.		PHD filtr: implementace.
6.		PMBM filtr: generující funkcionály (úvod).
7.		PMBM filtr: generující funkcionály (pokr.).
8.		PMBM filtr a rozdíly oproti PHD filtru.
9.		PMBM filtr: implementace.
10.		Trasově orientované filtry I.
11.		Trasově orientované filtry II.
12.		Vyhodnocení.

Literatura:

1.		E. Brekke: Fundamentals of sensor fusion. NTNU, 2021
2.		B. . -N. Vo and W. . -K. Ma, "The Gaussian Mixture Probability Hypothesis Density Filter," in IEEE Transactions on Signal Processing, vol. 54, no. 11, pp. 4091-4104, Nov. 2006, doi: 10.1109/TSP.2006.881190.

Požadavky:
BI-LIN, BI-ZMA, BI-PST Ideálně NI-LSM (znalost PDA, JPDA a IPDA filtrů). Perfektní znalost Kalmanova filtru.

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

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr NI-PB.2020 Počítačová bezpečnost V Není NI-ZI.2020 Znalostní inženýrství V Není NI-SPOL.2020 Nespecifikovaný/á obor/specializace studia - Unspecified Branch/Specialisation of Study V Není NI-TI.2020 Teoretická informatika V Není NI-TI.2023 Teoretická informatika V Není NI-NPVS.2020 Návrh a programování vestavných systémů V Není NI-PSS.2020 Počítačové systémy a sítě V Není NI-MI.2020 Manažerská informatika V Není NI-SI.2020 Softwarové inženýrství V Není NI-SP.2020 Systémové programování V Není NI-WI.2020 Webové inženýrství V Není NI-SP.2023 Systémové programování V Není NI-TI.2018 Teoretická informatika V Není