TU Wien:Mobile Robotik VU (Bader)
Daten[Bearbeiten | Quelltext bearbeiten]
| Vortragende | Markus Bader |
|---|---|
| ECTS | 4,5 |
| Alias | Mobile Robotics (en) |
| Letzte Abhaltung | 2024W |
| Sprache | English |
| Mattermost | mobile-robotik • Register • Mattermost-Infos |
| Links | tiss:183660 , Homepage |
Inhalt[Bearbeiten | Quelltext bearbeiten]
Die Grundlagen der Mobilen Robotik wurden vermittelt. Hier, die Titel der Foliensätze:
- Control Paradigm
- ROS and Friends
- Wheeled Locomotion
- Proximity Sensors
- Geometry
- Probabilistic Robotics
- Motion Model
- Sensor Model
- Bayes Filter – Discrete Filters
- Particle Filter
- Kalman Filter
- Exdentet Kalman Filter
- Extended Kalman Filter using line features
- Derivation and Limes with WolframAlpha
- Pathplanning
- The Dynamic Window Approach to Collision Avoidance
- Mapping
- SLAM
- FastSLAM
- GridRBPF
- GraphSLAM
Ablauf[Bearbeiten | Quelltext bearbeiten]
SS23:
6 Übungsaufgaben + Abgabegespräche und am Ende des Semesters eine mündliche Prüfung. Alle Übungen und die Prüfung müssen einzeln positiv beurteilt werden, damit die Gesamtnote positiv ist.
Die Gesamtnote ergibt sich schließlich aus der Gewichtung von 50% Übungsteil und 50% Prüfung.
Benötigte/Empfehlenswerte Vorkenntnisse[Bearbeiten | Quelltext bearbeiten]
Vorkenntnisse sind keine erforderlich, jedoch ist ein bisschen Erfahrung mit C++ nicht schlecht.
Wer schon mit ROS etwas gemacht hat, kann sich (vor allem am Anfang) sehr viel Zeit bei den Übungen sparen.
Vortrag[Bearbeiten | Quelltext bearbeiten]
SS23:
Vorlesung zu Folien im hybriden Format (vor Ort & Online). Viele Inhalte sind gut auf den Folien abgedeckt, allerdings gibt es auch Inhalte welche geprüft werden, welche nicht selbsterklärend auf den Folien vorhanden sind (z.B. die Bug 1,2 & Tangent Algorithmen, Details zum Sensor Model, etc.), hier ist es wichtig aufzupassen und Notizen zu machen (oder im Nachhinein danach zu suchen).
Übungen[Bearbeiten | Quelltext bearbeiten]
SS23:
6 Übungsaufgaben, welche im und mit dem Framework der LVA zu lösen sind. Es gibt meist auch Bonusaufgaben, wobei maximal 100 Punkte pro Übung erreicht werden können. Die Übungen können auch angemeldet verspätet abgegeben werden, wobei dann 20% der Punkte abgezogen werden. Wenn unangemeldet zu spät abgegeben wird, dann werden 30% der Punkte abgezogen. Auf alle Übungen mussten mehr als 50 Punkte erreicht werden um die LVA positiv abschließen zu können. Übungen1-5 waren einzeln zu lösen, Aufgabe 6 in einer Gruppe (da diese einen Großteil des Inhalts der LVA umfasst). Zu jeder Übung gibt es dann auch ein Abgabegespräch, wobei dieses meiner Erfahrung nach von den Tutoren dazu genutzt wird die gemachten Fehler und die Benotung zu erklären und nicht wie in anderen LVAs den Stoff der Übung dabei zu prüfen. Die Abgabegespräche waren angenehm.
Prüfung, Benotung[Bearbeiten | Quelltext bearbeiten]
Die Prüfung ist mündlich und findet am Ende des Semesters statt. Die Termine sind üblicherweise zu dritt. Jeder bekommt einen Zettel und eine erste Frage zugewiesen, danach hat man ein paar Minuten Zeit die Frage zu beantworten. Anschließend muss jeder seine Frage beantworten und kann natürlich den Zettel als Hilfsmittel verwenden. (Bzw. Falls Zeichnungen gefragt sind ist der Zettel der Hauptakteur) Wenn ein Kollege nicht mehr weiterweiß fragt der Prof. in die Runde und eine richtige Antwort wird einem als ganze Frage angerechnet. Die Prüfung ist beendet wenn jeder 3 Noten/Fragen hat. Die Fragen in meiner Gruppe waren eher "Zeichnungslastig", z.B. Hough Space, Motion /Sensor Model, Resampling Wheel. Formeln oder Algorithmen wurden keine gefordert, Verständnis ist definitiv wichtiger. Alles in allem eine sehr angenehme Prüfung, Prof. Bader versucht weiterzuhelfen und lässt genug Zeit zum Grübeln. Die Benotung war auch sehr fair.
Erfahrung SS23:
Fragen in die Gruppe waren zu: Bug 1, Bug 2, Tangent Bug Algorithmus, Dynamic-Window-Approach, Sensor Model, Motion Model, dazu Resampling (speziell dann auch das Low-Variance Sampling Wheel), Sum of Gaussians, Occpuancy Grid compared to Reflective Map, Hough Space (sowie auch wissen wie man Matching für den EKF im Hough Space macht, welche Transformation der Prediction ist dazu notwendig -> Kalman Term) und zuletzt die unterschiedlichen Matrizen des EKF erklären (hierzu wurde die Folie dazu ausgeteilt und daran musste erklärt werden was die Matrizen machen/bedeuten).
Benotung: nett; auch wenn man eine Frage unsicher beantwortet hat und gestrauchelt ist, wurde sie meist mit einem 1er benotet (schlechteste Benotung einer Frage war eine 2 in meiner Gruppe).
Insgesamt kann ich der ursprünglichen Beschreibung von oben nur zustimmen!
Dauer der Zeugnisausstellung[Bearbeiten | Quelltext bearbeiten]
noch offen
Zeitaufwand[Bearbeiten | Quelltext bearbeiten]
Der Zeitaufwand ist sehr hoch, die Übungen verschlingen viel Zeit wenn nicht alles auf Anhieb klappt. Es gibt viele potentielle Fehlerquellen (z.B. Transformationen von Koordinaten) die schwer zu finden sind und sich mitunter gegenseitig beeinflussen was das debuggen noch mühsamer macht.
Unterlagen[Bearbeiten | Quelltext bearbeiten]
noch offen
Tipps[Bearbeiten | Quelltext bearbeiten]
Nehmt auf jeden Fall bei den Workshops mit den Tutoren teil wenn etwas nicht so funktioniert wie es soll.
Highlights / Lob[Bearbeiten | Quelltext bearbeiten]
noch offen
Verbesserungsvorschläge / Kritik[Bearbeiten | Quelltext bearbeiten]
noch offen