Pravděpodobnostní modely pro lokalizaci bezpilotního letounu testované na reálných datech
Pravděpodobnostní modely pro lokalizaci bezpilotního letounu testované na reálných datech
diploma thesis (DEFENDED)
View/ Open
Permanent link
http://hdl.handle.net/20.500.11956/65966Identifiers
Study Information System: 139728
Collections
- Kvalifikační práce [11217]
Author
Advisor
Referee
Obdržálek, David
Faculty / Institute
Faculty of Mathematics and Physics
Discipline
Theoretical Computer Science
Department
Department of Theoretical Computer Science and Mathematical Logic
Date of defense
27. 5. 2014
Publisher
Univerzita Karlova, Matematicko-fyzikální fakultaLanguage
English
Grade
Excellent
Keywords (Czech)
pravděpodobnostní robotika, částicové filtrování, strojové učení, bezpilotní letounyKeywords (English)
probabilistic robotics, particle filtering, machine learning, dronePráca sa zaoberá problémom odhadovania stavu dynamického systému v oblasti robotiky, konkrétne bezpilotných lietajúcich robotov. Na základe dát získaných z robota navrhneme niekoľko pravdepodobnostných modelov pre odhad jeho stavu (hlavne rýchlosti a rotačných uhlov), takisto pre konfigurácie, kde jeden zo senzorov nie je dostupný. Používame Kalmanov filter a Časticový filter a zameriavame sa na učenie parametrov modelu EM algoritmom. EM algoritmus je potom upravený vzhľadom k negaussovskému rozloženiu chyby niektorých senzorov a pridaním penalizačných členov za zložitosť modelu pre lepšie fungovanie na neznámych dátach. Tieto metódy implementujeme v prostredí MATLAB a vyhodnotíme na oddelených dátach. V práci tiež analyzujeme dáta z pozemného robota a použijeme našu implementáciu Časticového filtra pre odhad jeho polohy. Powered by TCPDF (www.tcpdf.org)
The thesis addresses the dynamic state estimation problem for the field of robotics, particularly for unmanned aerial vehicles (UAVs). Based on data collected from an UAV, we design several probabilistic models for estimation of its state (mainly speed and rotation angles), including the configurations where one of the sensors is not available. We use Kalman filter and Particle filter and focus on learning the model parameters using EM algorithm. The EM algorithm is then adjusted with respect to non-Gaussian density of some sensor errors and modified using model complexity penalization terms for better generalization. We implement these methods in MATLAB environment and evaluate on separate datasets. We also analyze data from a ground robot and use our implementation of Particle filter for estimation of its position. Powered by TCPDF (www.tcpdf.org)