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-LSM2 | Laboratoř statistického modelování | Rozsah kontaktní výuky: | 3C | ||
---|---|---|---|---|---|
Vyučující: | Dedecius K. | Způsob zakončení: | KZ | ||
Zodpovědná katedra: | 18105 | ECTS Kredity: | 5 | Semestr: | Z,L |
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.
|
Předmět je zahrnut do těchto studijních plánů:
|
Stránka vytvořena 2. 5. 2024, semestry: Z/2020-1, L/2023-4, L/2021-2, L/2019-20, Z/2021-2, Z/2023-4, L/2020-1, Z/2019-20, L/2022-3, Z/2024-5, Z/2022-3, připomínky k informační náplni zasílejte správci studijních plánů | Návrh a realizace: J. Novák, I. Halaška |