Aufgabe 4.1 Robotermodell (1)
|
|
- Ingeborg Clara Stein
- vor 7 Jahren
- Abrufe
Transkript
1 Aufgabe 4.1 Robotermodell (1)! Erstellen Sie ein Simulationsmodell für einen mobilen Roboter (z.b. Pioneer 3DX), der sich über Geschwindigkeit v und Rotationsgeschwindigkeit ω steuern lässt. v ω Pioneer 3DX! Schreiben Sie dazu eine Klasse Robot, die die tatsächliche Pose (x,y,θ) des Roboters kapselt. Die initiale Pose kann mit einer set-methode eingestellt werden. Die aktuelle Pose liefert eine get-methode.! Mit der Methode move(motion) mit motion = [v, ω] kann der Roboter mit der konstanten Sollgeschwindigkeit v und ω über eine Zeitspanne von T bewegt werden. Gehen Sie von einer kleinen Zeitspanne T (z.b. T = 0.02s) aus, so dass die nächste Position durch eine einfache Approximation berechnet werden kann. T soll eingestellt werden können. Prof. Dr. O. Bittel, HTWG Konstanz Mobile Roboter - Lokalisierung WS 16/17 4-1
2 Aufgabe 4.1 Robotermodell (2)! Die Sollgeschwindigkeit lässt sich nicht exakt umsetzen. Die tatsächliche Geschwindigkeit ist gemäß einer Normalverteilung verrauscht: σ v 2 = k d T * v σ ω 2 = k θ T *ω! Die Parameter k d (z.b. k d = (0.05m) 2 /1m) und k θ (z.b. k θ = (5 Grad) 2 /360 Grad) sollen eingestellt werden können.! Der Roboter setzt auch eine Geradeausfahrt (ω = 0) nicht exakt um und fährt stattdessen eine leichte Kurve. Modellieren Sie dazu einen Driftfehler, der über eine Konstante k Drift parameterisiert werden kann (z.b. k Drift = (2 Grad) 2 /1m). Prof. Dr. O. Bittel, HTWG Konstanz Mobile Roboter - Lokalisierung WS 16/17 4-2
3 Aufgabe 4.1 Robotermodell (3)! Realisieren Sie verschiedene Strecken, die Ihr Roboter mit konstanter Geschwindigkeit fahren soll: - Kreisfahrt - Rechteckfahrt - Slalomfahrt! Plotten Sie die Positionen des Roboters. Experimentieren Sie mit unterschiedlichen Rauschwerten für die Geschwindigkeiten. Prof. Dr. O. Bittel, HTWG Konstanz Mobile Roboter - Lokalisierung WS 16/17 4-3
4 Aufgabe 4.2 Koppelnavigation (1)! Schreiben Sie eine Klasse OdometryPoseEstimator, die die Pose des Roboters (x,y,θ) mittels Odometrie schätzt. Außerdem soll die Kovarianz Σ pose der geschätzten Pose berechnet werden.! Die initiale Schätzung der Pose bzw. ihre Kovarianz kann mit einer set-methode gesetzt werden.! Die aktuelle Schätzung der Pose bzw. ihre Kovarianz liefert eine get-methode.! Mit der Methode integratemovement(motion, sigma_motion) mit motion = [v, ω] wird die neue Posenschätzung und Kovarianz berechnet, nachdem der Roboter in der Zeitspanne T die Geschwindigkeit motion durchgeführt hat. Die Kovarianz für die Geschwindigkeit Σ motion = sigma_motion soll von der Robot-Klasse zur Verfügung gestellt werden. Gehen Sie von einer kleinen Zeitspanne T (z.b. T = 0.02s) aus, so dass die nächste Position durch eine einfache Approximation berechnet werden kann. T soll eingestellt werden können. Prof. Dr. O. Bittel, HTWG Konstanz Mobile Roboter - Lokalisierung WS 16/17 4-4
5 Aufgabe 4.2 Koppelnavigation! Plotten Sie die geschätzten und die tatsächlichen Positionen des Roboters für verschiedene Fahrten. Visualisieren Sie die Kovarianz der geschätzten Endpose als Fehlerellipse. Prof. Dr. O. Bittel, HTWG Konstanz Mobile Roboter - Lokalisierung WS 16/17 4-5
6 Aufgabe 4.3 Kalmanfilter (1)! Erweitern Sie Ihre Klasse Robot um einen Abstandssensor, der in der Lage ist, Abstände zu mehreren Landmarken zu messen. Landmarke l 2 d 2 x' d 1 Landmarke l 1 θ y y' x Prof. Dr. O. Bittel, HTWG Konstanz Mobile Roboter - Lokalisierung WS 16/17 4-6
7 Aufgabe 4.3 Kalmanfilter (2)! Die Abstandsmessungen sind rauschbehaftet gemäß einer Normalverteilung mit Standardabweichung σ (z.b. σ = 0.1m). σ kann eingestellt werden.! Definieren Sie eine Methode setlandmarks(lm), um Landmarken in der Umgebung zu positionieren. Für jede Landmarke genügt es, ihre (x,y)-position festzulegen.! Definieren Sie eine Methode sense(), die einen Vektor z mit den Abstandsmessungen für jede Landmarke und der entsprechenden Kovarianzmatrix Σ z zurückliefert. Prof. Dr. O. Bittel, HTWG Konstanz Mobile Roboter - Lokalisierung WS 16/17 4-7
8 Aufgabe 4.3 Kalmanfilter (3)! Definieren Sie nun eine Klasse KalmanFilterPoseEstimator, der die Pose mit einem Kalmanfilter schätzt.! Gehen Sie von der Klasse OdometryPoseEstimator aus. Die Methode integratemovement(motion, sigma_motion) kann unverändert übernommen werden und entspricht dem Vorhersageschritt des Kalmanfilters.! Für den Korrekturschritt wird eine Methode integratemeasurement(z, sigma_z) definiert, die die Abstandsmessungen z zu den Landmarken integriert.! Für das Messmodell in der Methode integratemeasurement benötigt der Kalmanfilter die Landmarkenpositionen. Definieren Sie dazu eine Methode setlandmarks(lm).! Plotten Sie die geschätzten und die tatsächlichen Positionen des Roboters für verschiedene Fahrten. Visualisieren Sie die Kovarianz der geschätzten Endpose als Fehlerellipse.! Starten Sie Ihren Kalman-Filter mit verschiedenen Unsicherheiten in der Initialpose.! Simulieren Sie nun mit Sensormessraten, die bei etwa 1/(10T) liegen. Prof. Dr. O. Bittel, HTWG Konstanz Mobile Roboter - Lokalisierung WS 16/17 4-8
9 Aufgabe 4.4 Partikelfilter (1)! Die Posenschätzung für das vorhandene Robotermodell soll nun mit einem Partikelfilter erfolgen. Definieren Sie dazu eine Klasse ParticleFilterPoseEstimator.! Die Klasse kapselt eine Partikelwolke (Menge von Posenschätzungen). Definieren Sie eine Methode initialize(posefrom, poseto, n) zur Erzeugung einer Partikelwolke mit n Partikeln, die gleichverteilt im Intervall [posefrom, poseto] liegen.! Sehen Sie Methoden getpose bzw. getcovariance vor, die aus der Partikelwolke eine Schätzung für die Pose bzw. ihre Kovarianz berechnet. Für die Position kann ein einfacher Mittelwert über die Partikeln gebildet werden. Bei der Orientierung genügt keine konventionelle Mittelwertsberechnung. Was ist beispielsweise der Mittelwert von 350 Grad und 30 Grad? Die Kovarianz der Pose wird einfachheitshalber aus der Kovarianz der Positionen und der Varianz der Orientierungen gebildet. Bei der Orientierungsvarianz ist zu beachten, dass Winkeldifferenzen im Bereich [-π,+π) liegen. Prof. Dr. O. Bittel, HTWG Konstanz Mobile Roboter - Lokalisierung WS 16/17 4-9
10 Aufgabe 4.4 Partikelfilter (2)! Die Methode integratemovement(motion, sigma_motion) integriert zur Partikelwolke einen Geschwindigkeitsbefehl motion mit Kovarianz sigma_motion.! Die Methode integratemeasurement(z, sigma_z) integriert Abstandsmessungen z mit der Kovarianz sigma_z.! Die Abstandsmessungen erfolgen zu Landmarken, die mit der Methode setlandmarks(lm) dem Partikelfilter bekannt gegeben werden.! Plotten Sie die geschätzten und die tatsächlichen Positionen des Roboters für verschiedene Fahrten.! Plotten Sie für für die Anfangs- und die Endposition des Roboters die Partikelwolken mit ihren Kovarianzen. Prof. Dr. O. Bittel, HTWG Konstanz Mobile Roboter - Lokalisierung WS 16/
SLAM-Verfahren Synchrone Lokalisierung und Kartenerstellung
SLAM-Verfahren Synchrone Lokalisierung und Kartenerstellung EKF-SLAM: Landmarkenbasiertes SLAM-Verfahren mit einem erweiterten Kalmanfilter Fast-Slam: Gitterbasiertes SLAM-Verfahren mit einem Partikelfilter
MehrModellierung von Unsicherheit in Systemen
Modellierung von Unsicherheit in Systemen Motivation Systeme Zeitdiskrete, lineare und nicht-lineare Systeme, Beispiele Wahrscheinlichkeiten Zufallsvariablen, Wahrscheinlichkeitsdichten, mehrdimensionale
MehrLokalisierung. Einleitung Problemstellung, Varianten, Sensorik, Umgebungskarten, Verfahren
Lokalisierung Einleitung Problemstellung, Varianten, Sensorik, Umgebungskarten, Verfahren Laterationsverfahren Koppelnavigation Idee, Navigationsgleichungen, Fehlerfortpflanzung Lokalisierung mit einem
MehrRoboterkinematik. Koordinatensysteme Trajektorien Kinematik Zweiradfahrzeug mit Differentialantrieb Kinematische Grundfertigkeiten
Roboterkinematik Koordinatensysteme Trajektorien Kinematik Zweiradfahrzeug mit Differentialantrieb Kinematische Grundfertigkeiten Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Roboterkinematik
Mehr9 SLAM Simultaneous Localization and Mapping
9 SLAM Simultaneous Localization and Mapping Einleitung eines der aktivsten Forschungsgebiete innerhalb der Robotik Roboterlokalisierung bei gegebener Karte (Kap. 8 und Karte aus Sensordaten bei bekannter
MehrKinematik mobiler Roboter
Kinematik mobiler Roboter Radbetriebene Roboter Kinematik: Roboter-Pose, Trajektorien und Momentanpol Zweiradfahrzeug mit Differentialantrieb Ackermann-Antrieb Mecanum-Antrieb Kinematische Grundfertigkeiten
MehrFast-SLAM: Synchrone Lokalisierung und Kartenerstellung mit einem Partikel-Filter
Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung mit einem Partikel-Filter! Landmarkenbasiertes Fast-SLAM! Gitterbasiertes Fast-Slam! Optimierungen Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter
MehrMonte-Carlo-Lokalisierung
Monte-Carlo-Lokalisierung! Einleitung! Modellierung von Unsicherheit mit Partikelmengen! Algorithmus! Beispiele! Varianten Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Monte-Carlo-Lokalisierung
MehrKalman-Filter und Target Tracking
Kalman-Filter und Target Tracking Peter Poschmann Hochschule für Technik und Wirtschaft Dresden Fakultät Informatik/Mathematik 23. März 2016 Inhalt 1 Kalman-Filter Einleitung Eindimensionaler Kalman-Filter
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
Mehr4.2 Moment und Varianz
4.2 Moment und Varianz Def. 2.10 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: EX p
MehrBiostatistik, Sommer 2017
1/51 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Verteilungen, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 8. Vorlesung: 09.06.2017 2/51 Inhalt 1 Verteilungen Normalverteilung Normalapproximation
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrLokalisierung. von Matthias Heine, Norbert Müller, Silvia Schreier, Oliver Zöllner
Lokalisierung von Matthias Heine, Norbert Müller, Silvia Schreier, Oliver Zöllner Was ist Lokalisierung? Fähigkeit eines autonomen Roboters seine Position in Bezug auf ein festes (Koordinaten-)System zu
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
MehrEntwicklung eines Navigationssystems für ein autonomes Modellfahrzeug
1 Bachelorarbeit - Verteidigung Entwicklung eines Navigationssystems für ein autonomes Modellfahrzeug Martin Hünermund 2 Gliederung 1. Motivation 2. Problemstellung 3. Konzept 4. Sensoranalyse 5. System-Entwurf
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrDer Weg eines Betrunkenen
Der Weg eines Betrunkenen 2 Hätte es damals schon Computer gegeben, wäre es für unseren Mathematiker um einiges leichter gewesen, den Weg des Betrunkenen zu bestimmen. Er hätte nicht nur eine beliebige
MehrComputergestützte Datenanalyse in der Kern- und Teilchenphysik
Computergestützte Datenanalysein der Kern- und Teilchenphysik p. 1/?? Computergestützte Datenanalyse in der Kern- und Teilchenphysik Vorlesung 4 Jan Friedrich Computergestützte Datenanalysein der Kern-
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt E(X)
MehrUE Statistische Mustererkennung WS 2018 Angaben zur 2ten Aufgabengruppe
UE Statistische Mustererkennung WS 2018 Angaben zur 2ten Aufgabengruppe 1 Aufgabe UE-II.1 Generieren Sie je 1000 Stichproben (samples) mit Umfang 5/30/100/500 für die Normalverteilung N(µ, σ 2 ) = N(4,
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen: Überlebenskampf und Evolutionäre Strategien Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Überblick Einleitung Adaptive Filter Künstliche
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
Mehr15.5 Stetige Zufallsvariablen
5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven
MehrGrundlagen der Objektmodellierung
Grundlagen der Objektmodellierung Daniel Göhring 30.10.2006 Gliederung Grundlagen der Wahrscheinlichkeitsrechnung Begriffe zur Umweltmodellierung Bayesfilter Zusammenfassung Grundlagen der Wahrscheinlichkeitsrechnung
MehrMultivariate Verteilungen. Gerhard Tutz LMU München
Multivariate Verteilungen Gerhard Tutz LMU München INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Multivariate Normalverteilung 3 Wishart Verteilung 7 3 Hotellings T Verteilung 11 4 Wilks Λ 14 INHALTSVERZEICHNIS
MehrProf. Dr. Fred Böker
Statistik III WS 2004/2005; 8. Übungsblatt: Lösungen 1 Prof. Dr. Fred Böker 07.12.2004 Lösungen zum 8. Übungsblatt Aufgabe 1 Die Zufallsvariablen X 1 X 2 besitzen eine gemeinsame bivariate Normalverteilung
MehrPfadplanung: Potentialfeldmethoden
Pfadplanung: Potentialfeldmethoden Idee Abstossendes und anziehendes Potential Brushfire-Verfahren Gradienten-Planer Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Potentialfeldmethoden SS 2016
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrSimultane Lokalisierung und Kartenerstellung eines autonomen Roboters in einer dynamischen Umgebung bei Anwesenheit von Personen
Simultane Lokalisierung und Kartenerstellung eines autonomen Roboters in einer dynamischen Umgebung bei Anwesenheit von Personen Diplomarbeit im Studiengang Angewandte Informatik Fakultät für Informatik
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
Mehr5. Numerische Differentiation. und Integration
5. Numerische Differentiation und Integration 1 Numerische Differentiation Problemstellung: Gegeben ist eine differenzierbare Funktion f : [a,b] R und x (a,b). Gesucht sind Näherungen für die Ableitungen
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
MehrSLAM. Simultaneous Localization and Mapping. KogSys-Sem-M2: Reading Club - SLAM - Andreas Habermann
SLAM Simultaneous Localization and Mapping KogSys-Sem-M2: Reading Club - SLAM - Andreas Habermann Simultaneous Localization And Mapping SLAM Problematik SLAM Arten SLAM Methoden: (E)KF SLAM GraphSLAM Fast
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Diese Selbstkontrollarbeit bezieht sich auf die Kapitel 1 bis 4 der Kurseinheit 1 (Multivariate Statistik) des Kurses Multivariate Verfahren (883). Hinweise:
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 9 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 40: Es sei (X t ) t 0 ein
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
MehrExperimente zur hochpräzisen landmarkenbasierten Eigenlokalisierung in unsicherheitsbehafteten digitalen Karten
Experimente zur hochpräzisen landmarkenbasierten Eigenlokalisierung in unsicherheitsbehafteten digitalen Karten Henning Lategahn und Christoph Stiller Zusammenfassung: Zukünftige Fahrerassistenzsysteme
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrErgebnisse der schriftlichen Zwischenprüfung Frühjahr 2018 Gärtner/Gärtnerin - Fachrichtung Garten- und Landschaftsbau Zuständige Stelle: Gartenbauzen
2000000885 2 2 4 5 6 5 4 4 2000003796 3 3 2 4 4 2 2 3 2000008262 2 2 2 6 5 5 3 2 2000010756 3 3 2 5 5 4 5 3 2000030386 2 3 1 5 5 3 4 4 2000040144 4 4 4 4 6 4 4 3 2000047293 1 4 3 2 6 5 5 4 2000062196 1
MehrHeute. Die Binomialverteilung. Poissonverteilung. Approximation der Binomialverteilung durch die Normalverteilung
Heute Die Binomialverteilung Poissonverteilung Approximation der Binomialverteilung durch die Normalverteilung Arbeiten mit Wahrscheinlichkeitsverteilungen Die Binomialverteilung Man werfe eine Münze n
MehrKalmanfiter (1) Typische Situation für den Einsatz von Kalman-Filtern
Kalmanfiter (1) Typische Situation für den Einsatz von Kalman-Filtern Vorlesung Robotik SS 016 Kalmanfiter () Kalman-Filter: optimaler rekursiver Datenverarbeitungsalgorithmus optimal hängt vom gewählten
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
MehrKlassifikation von Daten Einleitung
Klassifikation von Daten Einleitung Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Klassifikation von Daten Einleitung
MehrStochastik-Praktikum
Stochastik-Praktikum Zufallszahlen und Monte Carlo Peter Frentrup Humboldt-Universität zu Berlin 17. Oktober 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 17. Oktober 2017 1 / 23
Mehr10.5 Maximum-Likelihood Klassifikation (I)
Klassifikation (I) Idee Für die Klassifikation sind wir interessiert an den bedingten Wahrscheinlichkeiten p(c i (x,y) D(x,y)). y Wenn man diese bedingten Wahrscheinlichkeiten kennt, dann ordnet man einem
MehrPlanung von Handlungen bei unsicherer Information
Planung von Handlungen bei unsicherer Information Dr.-Ing. Bernd Ludwig Lehrstuhl für Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg 20.01.2010 Dr.-Ing. Bernd Ludwig (FAU ER)
MehrWozu braucht man Geometrie? Kreisumfang
Wozu braucht man Geometrie? Kreisumfang Roberta-Experiment mit dem LEGO Mindstorms NXT Roberta ist ein eingetragenes Warenzeichen der Fraunhofer-Gesellschaft e.v. Roberta ist seit 2010 Mitglied der Fraunhofer
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 11. Vorlesung Jochen Köhler 10.05.011 1 Inhalt der heutigen Vorlesung Zusammenfassung Parameterschätzung Übersicht über Schätzung und Modellbildung Modellevaluation
MehrStrukturgleichungsmodellierung
Strukturgleichungsmodellierung FoV Methodenlehre FSU-Jena Dipl.-Psych. Norman Rose Parameterschätzung, Modelltest & Fit Indizes bei SEM Forschungsorientierte Vertiefung - Methodenlehre Dipl.-Psych. Norman
MehrNavigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform. Thorsten Jost INF-M2 AW1 Sommersemester
Navigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform Thorsten Jost INF-M2 AW1 Sommersemester 2008 Agenda Motivation Feature Detection Beispiele Posenbestimmung in Räumen
MehrBrückenkurs Statistik für Wirtschaftswissenschaften
Peter von der Lippe Brückenkurs Statistik für Wirtschaftswissenschaften Weitere Übungsfragen UVK Verlagsgesellschaft mbh Konstanz Mit UVK/Lucius München UVK Verlagsgesellschaft mbh Konstanz und München
MehrKlausur zum Fach Höhere Mathematik 2 für Elektrotechnik Zweiter Teil
(Name) (Vorname) (Matrikelnummer) Fachbereich Elektrotechnik und Informationstechnik Prof. Georg Hoever.7.7 Klausur zum Fach Höhere Mathematik für Elektrotechnik Zweiter Teil Bearbeitungszeit: 9 Minuten
MehrWissenschaftliche Nachrichten: https://www.bmbf.gv.at/schulen/sb/wina/wina.html Vol. 131/2006, 19-21
Der T-Test in Excel NORBERT BRUNNER und MANFRED KÜHLEITNER Ein häufiges Problem ist der Vergleich eines beobachteten Stichprobenmittelwerts mit einem Sollwert. Dabei wird der T-Test angewandt. Wir zeigen
MehrWS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.
Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrFortgeschrittene Ökonometrie: Maximum Likelihood
Universität Regensburg, Lehrstuhl für Ökonometrie Sommersemester 202 Fortgeschrittene Ökonometrie: Maximum Likelihood Poissonverteilung Man betrachte die poisson-verteilten Zufallsvariablen y t, t =, 2,...,
Mehr3) Testvariable: T = X µ 0
Beispiel 4.9: In einem Molkereibetrieb werden Joghurtbecher abgefüllt. Der Sollwert für die Füllmenge dieser Joghurtbecher beträgt 50 g. Aus der laufenden Produktion wurde eine Stichprobe von 5 Joghurtbechern
MehrStatistik Übungsblatt 5
Statistik Übungsblatt 5 1. Gaussverteilung Die Verteilung der Messwerte einer Grösse sei durch eine Gaussverteilung mit Mittelwert µ = 7.2 und σ = 1.2 gegeben. (a) Wie gross ist die Wahrscheinlichkeit
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
MehrVersuch P2-71,74: Kreisel. Auswertung. Von Jan Oertlin und Ingo Medebach. 25. Mai Drehimpulserhaltung 2. 2 Freie Achse 2
Versuch P2-71,74: Kreisel Auswertung Von Jan Oertlin und Ingo Medebach 25. Mai 2010 Inhaltsverzeichnis 1 Drehimpulserhaltung 2 2 Freie Achse 2 3 Kräftefreie Kreisel 2 4 Dämpfung des Kreisels 3 5 Kreisel
MehrFinite Elemente I Konvergenzaussagen
Finite Elemente I 195 5 onvergenzaussagen 5 onvergenzaussagen TU Bergakademie Freiberg, SoS 2006 Finite Elemente I 196 5.1 Interpolation in Sobolev-Räumen Wesentlicher Baustein der FE-onvergenzanalyse
MehrMathematischer Vorkurs für Physiker WS 2012/13
TU München Prof. P. Vogl Mathematischer Vorkurs für Physiker WS 2012/13 Übungsblatt 2 Wichtige Formeln aus der Vorlesung: Basisaufgaben Beispiel 1: 1 () grad () = 2 (). () () = ( 0 ) + grad ( 0 ) ( 0 )+
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Review)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) 1 Diskrete Zufallsvariablen (Random variables) Eine Zufallsvariable X(c) ist eine Variable (genauer eine Funktion), deren Wert vom Ergebnis c
MehrStatistik Zusätzliche Beispiele WS 2018/19
Statistik Zusätzliche Beispiele WS 208/9 Blatt 2: Wahrscheinlichkeitsrechnung. Erstellen Sie zur Zufallsgröße Augensumme von drei fairen Würfeln eine Tabelle der Wahrscheinlichkeitsfunktion und vergleichen
Mehr1 Matrixdarstellung von Strukturgleichungsmodellen
Matrixdarstellung von Strukturgleichungsmodellen. Einführung Ein in Mplus mit Hilfe der Syntax-Statements spezifiziertes Modell wird zur Modellschätzing in Matrizenform repräsentiert. Aus diesen Matrizen
MehrHAW Hamburg Anwendung 1 - Vortrag Andrej Rull
HAW Hamburg Anwendung 1 - Vortrag Andrej Rull 02122008 1 Gliederung o Motivation o Der Anwendungsfall o Das SLAM Problem o Lösungsansätze und Algorithmen o Zusammenfassung o Ausblick auf AW2 2 Motivation
MehrDie Normalverteilung. Mathematik W30. Mag. Rainer Sickinger LMM, BR. v 0 Mag. Rainer Sickinger Mathematik W30 1 / 51
Mathematik W30 Mag. Rainer Sickinger LMM, BR v 0 Mag. Rainer Sickinger Mathematik W30 1 / 51 Einführung Heute nehmen wir uns die Normalverteilung vor. Bis jetzt konnte unsere Zufallsvariable (das X in
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse PHY31 Herbstsemester 016 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
MehrCharakterisierung von 1D Daten
Charakterisierung von D Daten Mittelwert: µ, Schätzung m x = x i / n Varianz σ2, Schätzung: s2 = (s: Standardabweichung) Höhere Momente s 2 = ( x i m x ) 2 n ( ) Eine Normalverteilung ist mit Mittelwert
MehrHAW Hamburg Anwendung 2 - Vortrag Andrej Rull
HAW Hamburg Anwendung 2 - Vortrag Andrej Rull 25062009 1 Gliederung o Motivation o Das SLAM Problem o Related Works ATLAS Framework o Abgrenzung der eigenen o Zusammenfassung 2 Motivation Wofür überhaupt
MehrLösungen zu Übungsblatt 2
PN1 - Physik 1 für Chemiker und Biologen Prof. J. Lipfert WS 217/18 Übungsblatt 2 Lösungen zu Übungsblatt 2 Aufgabe 1 Koppelnavigation. a) Ein Schiff bestimmt seine Position bei Sonnenuntergang durch den
MehrHochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann. 8. Übungsblatt zur Vorlesung Ökonometrie
Hochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann 8. Übungsblatt zur Vorlesung Ökonometrie Aufgabe 1: In der Vorlesung haben wir das lineare Regressionsproblem als statistisches Problem formuliert:
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 7. Konfidenzintervalle
Wahrscheinlichkeitsrechnung und Statistik für Biologen 7. Konfidenzintervalle Matthias Birkner & Dirk Metzler http://www.zi.biologie.uni-muenchen.de/evol/statgen.html 9. Juni 2009 1 Wiederholung: Bedingte
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrGEMEINSAMES PRÜFEN AUF DER BASIS KOMPETENZORIENTIERTER LEHRPLÄNE UND/ODER FÄCHERÜBERGREIFENDER PROJEKTE
GEMEINSAMES PRÜFEN AUF DER BASIS KOMPETENZORIENTIERTER LEHRPLÄNE UND/ODER FÄCHERÜBERGREIFENDER PROJEKTE KANTONSSCHULE Fach, Fächer (bei fächerübergreifenden Projekten) Klassenstufe(n) Inhaltliche Schwerpunkte
MehrGrundlagen der Robotik Klausur am Musterlösung Nachname: Vorname: Matrikelnummer:
Prof. Dr. K. Wüst SS 202 Fachbereich MNI TH Mittelhessen Grundlagen der Robotik Klausur am 6.7.202 Musterlösung Nachname: Vorname: Matrikelnummer: Aufgabe Punkte erreicht 22 2 22 3 8 4 8 Bonusfrage 0 Summe
MehrFehlerfortpflanzung. M. Schlup. 27. Mai 2011
Fehlerfortpflanzung M. Schlup 7. Mai 0 Wird eine nicht direkt messbare physikalische Grösse durch das Messen anderer Grössen ermittelt, so stellt sich die Frage, wie die Unsicherheitsschranke dieser nicht-messbaren
MehrSerie 11. hier bitte eintragen A, B oder C eintragen hier bitte angeben, wieviel Zeit Sie zusätzlich zum Praktikum benö
L. Tiator, M. Distler Computer Praktikum WS 04/5 Serie Name: Gruppe: Zeitaufwand: Ausgabe Termin: Abgabe Termin: hier bitte eintragen A, B oder C eintragen hier bitte angeben, wieviel Zeit Sie zusätzlich
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
MehrStatistics, Data Analysis, and Simulation SS 2017
Mainz, 8. Juni 2017 Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.6 und 4.7 besser zu verstehen. Auswertung und Lösung Abgaben: 59 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.78 1 Frage
Mehr7. Übung: Aufgabe 1. b), c), e) Aufgabe 2. a), c), e) Aufgabe 3. c), e) Aufgabe 4. Aufgabe 5. Aufgabe 6. Aufgabe 7. Aufgabe 8. Aufgabe 9.
7. Übung: Aufgabe 1 b), c), e) Aufgabe a), c), e) Aufgabe 3 c), e) Aufgabe 4 b) Aufgabe 5 a) Aufgabe 6 b) Aufgabe 7 e) Aufgabe 8 c) Aufgabe 9 a), c), e) Aufgabe 10 b), d) Aufgabe 11 a) Aufgabe 1 b) Aufgabe
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrTracking. Einführung. Allgemeiner Systemaufbau. Objektlokalisation: Template-Matching. Prädiktionsfilter: Kalman
Tracking Einführung Allgemeiner Systemaufbau Objektlokalisation: Template-Matching Prädiktionsfilter: Kalman Birgit Möller & Denis Williams AG Bioinformatik & Mustererkennung Institut für Informatik Martin-Luther-Universität
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
MehrZweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz
Grundlage: Zweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz Die Testvariable T = X µ 0 S/ n genügt der t-verteilung mit n 1 Freiheitsgraden. Auf der Basis
Mehr