Lokalisierung. von Matthias Heine, Norbert Müller, Silvia Schreier, Oliver Zöllner
|
|
- Dennis Karlheinz Lange
- vor 6 Jahren
- Abrufe
Transkript
1 Lokalisierung von Matthias Heine, Norbert Müller, Silvia Schreier, Oliver Zöllner
2 Was ist Lokalisierung? Fähigkeit eines autonomen Roboters seine Position in Bezug auf ein festes (Koordinaten-)System zu bestimmen z. B. durch kartesische Koordinaten (x,y) und der Orientierung φ bezüglich der Koordinatenachsen Ziel: wahrscheinlichste Position des Roboters bestimmen, wobei folgende Informationen gegeben sind: Modell der Umgebung Sensordaten durchgeführte Navigationsoperationen SLAM = Self Localization and Mapping
3 Sensoren Observationen: Sensoren, die Messwerte zur aktuellen Situation liefern, wie z.b. Laser-Scanner oder Kameras Aktionen: Sensoren, die Rückschlüsse auf bereits vergangene Situationen ermöglichen, wie z.b Odometrie Probleme: Fehler bei Sensordaten => Verwendung unterschiedlicher Sensoren
4 Lokale und Globale Lokalisierung Lokale Lokalisierung (auch Positionstracking genannt) Startposition ist bekannt Position nach durchgeführten Aktionen bestimmen Bezugspunkt ist immer der Startpunkt relative Selbstlokalisierung Globale Lokalisierung Startposition völlig unbekannt absolute Selbstlokalisierung Kidnapped-Robot Problem, Wake-up-Robot Problem
5 Odometrie (1) grundlegendes Navigationsverfahren für bodengebundene Fahrzeuge Bestimmung der Position durch Berechnung des zurückgelegten Weges, an Hand von Daten über sich selbst nur Aktionen messbar zahlreiche Fehlerquellen Fehler addieren sich => nur für kurze Strecken geeignet Fehlerreduktion, z. B. durch: geringe Geschwindigkeit und Beschleunigung
6 Odometrie (2)
7 Koppelnavigation (dead reckoning) laufende Ortsbestimmung durch Odometrie Annahme: der Roboter bewegt sich geradlinig (bei kleinen Zeitintervallen, wird der verursachte Fehler klein) Messen des zurückgelegte Weg δ und die Änderung der Orientierung α Berechnen der neuen Position in Abhängigkeit von der alten Position (x, y, θ): x' = x + δ cos(θ) y' = y + δ sin(θ) θ' = θ + α falsches α führt zu immer stärkeren Abweichungen
8 Künstliche Landmarken Passive: Barcodestreifen, Reflexstreifen Aktive: GPS, Peilsender, Leuchttürme, Ampeln, Lichtquellen Probleme: GPS nur auf wenige Meter genau, in Gebäuden nicht möglich, Wände und Decken stören den Funkkontakt Fehlerkennung von Landmarken Videokamera gut geeignet, markante Objekte, durch Form und Farbe leicht identifizierbar => Landmarkenkandidaten
9 Natürliche Landmarken Kanten: Türöffnungen, Wandecken, feste Möbel Zur Festlegung der Orientierung: Deckenstrukturen, Übergang zwischen Wand und Fussboden häufige Verdeckung von Landmarken oder falsche Messungen: dadurch mehrere mögliche Positionen, aber meist Häufungspunkte oder Ausschluss von manchen Positionen durch das Wissen über die alte Position nach dem "Aufwachen" solche Plausibilitätserörterungen aber nicht möglich
10 Wände als Landmarken Hinkel und Knieriemen, 1991 Wände im Normalfall eine Invariante des Raumes Messen des Abstands bei unterschiedlichen Ausrichtungen des Roboters => Berechnung mehrer Punkte Eintragen des errechneten Steigungswinkels der Gerade durch 2 Messpunkte in ein Histogramm Häufungen kennzeichnen gerade Strukturen (im Abstand von 90 besonders häufig Wände)
11 Histogramme & Korrelation 2 Laserscans einer ähnlichen Szene, einer aus bekannter Position, einer aus unbekannter Erstellen der Winkelhistogramme Korrelation der beiden Histogramme Verdrehung der Scans, so dass Winkelgleichheit herrscht Korrelation der verdrehten Scans Verschiebung um x und y
12 Merkmalsvergleich jede Szene gekennzeichnet durch vollständigen Graphen mit n Objekte (Knoten) und n (n-1) Entfernungen (gewichtete Kanten) Vergleich von Subgraphen teilweise Kanten oder Knoten verdeckt => im allgemeinen nur partielle Übereinstimmung Um Übereinstimmungen zu finden, z. B. geschickte Suche in einer Datenbank nötig wenn bestimme Anzahl an Übereinstimmungen in den Graphen gefunden wurde so gilt die Szene als erkannt
13 Scanmatching (1) Verarbeitung von Scans: Linien- und Eckenextraktion Anwenden von verschiedenen Filtern, um Rauschen und Messfehler zu verringern Kalman-Filter man geht von einer Normalverteilung der Fehler bei den Messwerten aus wenn mehrere Verteilungen vorliegen, kann man die Messungen durch einen Kalman-Filter verknüpfen das Ergebnis ist normalerweise genauer und gewichtet dabei Messungen mit kleiner Varianz stärker
14 Scanmatching (2) aktuellen Scan mit Referenzscan in Deckung zu bringen grobe vorherige Bestimmung der Position durch Odometrie, erleichtert die Suche 2 mögliche Algorithmen: Cox: geringerer Aufwand ordnet Punkten Geraden zu & minimiert den Abstand nur für polygonale Umgebungen geeignet IDC: größerer Aufwand ordnet Punkten Punkte zu & minimiert die Abstände auch für nicht-polygonale Umgebungen geeignet
15 Probalistische Methoden auch bei weniger präzisen Umgebungsmodellen einsetzbar Ziel: Berechnung der wahrscheinlichsten Position Positions tracking sehr einfach zu lösen, da eine Anfangsposition bekannt ist Globale Lokalisierung schon schwieriger Diskretisierung der Umgebung => Gitter (grid), das alle möglichen Aufenthaltsorte des Roboters enthält
16 Markov-Lokalisierung (1) Annahme: nachfolgende Zustand hängt nur von aktuellem Zustand ab und nicht von der Historie Wahrscheinlichkeitsverteilung für die Position des Roboters: Position vollkommen unbekannt => Gleichverteilung durch Odometrie o. ä. eingeschränkt => WSK auf eingegrenzten Bereich verteilt Position bekannt => WSK für diese Position = 1 Problem: grosses Gitter, bei dem alle Werte nach jeder Bewegung neu berechnet werden müssen: => grosser Aufwand => nicht für Echtzeitbetrieb geeignet
17 Markov-Lokalisierung (2)
18 Monte-Carlo-Lokalisierung Spezialform von Markov bei der Berechnung werden nur die wahrscheinlichsten Positionen betrachtet, die Menge der betrachteten Positionen ist variabel: je unsicherer die Position, desto größer die Menge der betrachteten Positionen => Verringerung des Rechenaufwands MCL zählt zu den Partikelfiltern, da kein Gitter zur Berechnung verwendet wird, sondern nur Partikel (auch Sample genannt), die die interessanten Zustände des Roboters repräsentieren
19 Quellen Gregor Mitsch: Proseminar Robotik, Museums-Roboter Minerva - Lokalisierung Alexander König: Diplomarbeit - Automatischer Kartenaufbau für die visuelle Monte-Carlo-Selbstlokalisation mobiler Serviceroboter in Baumarktumgebungen Prof. Dr. Ewald von Puttkamer: Vorlesungsskript Autonome Mobile Roboter (Wintersemester 1999/2000) Elias Delipetkos: Particle Filter - Ein probabilistischer Ansatz zur Lokalisierung mobiler Roboter Friedrich Hirt: Thema2: Selbslokalisierung aus dem Proseminar Mobile Roboter (SS 2001) A. Knoll, W. Burgard und T. Christaller: Robotik in: G. Görz (Hg.) Handbuch der Künstlichen Intelligenz, 4. Auflage, Oldenbourg-Verlag, 2003
Quadrocopters and it s Applications: Overview of State of the Art Techniques
: Overview of State of the Art Techniques Visual Tracking for Robotic Applications Sebastian Brunner Lehrstuhl für Echtzeitsysteme und Robotik Technische Universität München Email: brunnese@in.tum.de Date:
MehrGrundlagen der Objektmodellierung
Grundlagen der Objektmodellierung Daniel Göhring 30.10.2006 Gliederung Grundlagen der Wahrscheinlichkeitsrechnung Begriffe zur Umweltmodellierung Bayesfilter Zusammenfassung Grundlagen der Wahrscheinlichkeitsrechnung
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
MehrHauptseminar Roboternavigation. Kartenaufbau nach Thrun
Hauptseminar Roboternavigation Kartenaufbau nach Thrun Hannes Keil keil@in.tum.de 18. Januar 2002 Überblick Kartenaufbau nach Thrun Überblick 1. Einführung in den Kartenbau 2. Einführung in den Aufbau
MehrKartografierung und Selbstlokalisation
Kartografierung und Selbstlokalisation Thomas Röfer Selbstlokalisation Karten Kartografierung Parti-Game Rasterbasierte Kartografierung Rückblick Odometrie und lokale Karten Metrische Positionen y Odometrie
MehrEinführung in die Robotik
Einführung in die Robotik Vorlesung 10 5 Februar 008 Dr. Mohamed Oubbati Institut für Neuroinformatik WS 007/008 Heutiges Thema: Navigation Navigation Wie bewege ich mich sinnvoll in meiner Umgebung? Hindernisse
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
MehrAufgabe 4.1 Robotermodell (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
MehrStereovision: Grundlagen
Stereovision: Grundlagen Matthias Behnisch mbehnisc@techfak.uni-bielefeld.de Februar 2005 Inhaltsverzeichnis 1 Einleitung 2 2 Räumliches Sehen 2 3 Binokulare Perspektive 4 3.1 Hering Koordinaten.........................
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Lernwerkstatt: Mechanik der Bewegungen - Eine Einführung
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Lernwerkstatt: Mechanik der Bewegungen - Eine Einführung Das komplette Material finden Sie hier: School-Scout.de SCHOOL-SCOUT Mechanik
MehrImproving the Accuracy of GPS
Improving the Accuracy of GPS Stephan Kopf, Thomas King, Wolfgang Effelsberg Lehrstuhl für Praktische Informatik IV Universität Mannheim Gliederung Motivation ierungsfehler von GPS Steigerung der Genauigkeit
MehrKalmanfilter und Nichtparametrische Filter. Bayesfilter
Kalmanfilter und Nichtparametrische Filter Daniel Göhring 06.11.2006 Bayesfilter Zustand zur Zeit t ist Zufallvariable x t Wahrscheinlichkeitsfunktion Bel (Belief) über x t : Bel(x t ) repräsentiert die
MehrBayes-Netze (1) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
Bayes-Netze (1) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl KI) Bayes-Netze (1) 1 / 22 Gliederung 1 Unsicheres Wissen 2 Schließen
MehrSeminar im Grundstudium: Motion-Tracking in der Robotik
Seminar im Grundstudium SS2007 Seminar im Grundstudium: Motion-Tracking in der Robotik Lehrstuhl für Hardware-Software-Co-Design Universität Erlangen-Nürnberg stefan.wildermann@informatik.uni-erlangen.de
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
MehrIdentPro Intralogistiklösungen für. Rostock, 01. Juni 2016
IdentPro Intralogistiklösungen für Rostock, 01. Juni 2016 IdentPro Intralogistiklösungen für Seehafen Wismar I N D U S T R I E 4.0 Teilnehmer Herr Groß Herr Peters Herr Rudat Herr Kremp Wismar, 16. Novemberr
MehrOdometrie und lokale Karten
Odometrie und lokale Karten Thomas Röfer Metrische Positionen Odometrie Navigation mit Odometrie Lokale Karten Rückblick Verhaltensbasierte Robotik II Subsumption Architecture Spatial Semantic Hierarchy
Mehr4. Verzerrungen. Der Abstand von zwei Punkten ändert sich. Der Winkel zwischen drei Punkten ändert sich
4. Verzerrungen Wird ein Körper belastet, so ändert sich seine Geometrie. Die Punkte des Körpers ändern ihre Lage. Sie erfahren eine Verschiebung. Ist die Verschiebung für benachbarte Punkte unterschiedlich,
Mehr3. Das Reinforcement Lernproblem
3. Das Reinforcement Lernproblem 1. Agierender Agent in der Umgebung 2. Discounted Rewards 3. Markov Eigenschaft des Zustandssignals 4. Markov sche Entscheidung 5. Werte-Funktionen und Bellman sche Optimalität
MehrGrundlagen der Signalverarbeitung und Robotik
64-544 Grundlagen der Signalverarbeitung und Robotik 64-544 Grundlagen der Signalverarbeitung und Robotik http://tams.informatik.uni-hamburg.de/ lectures/2011ss/vorlesung/gdsr Jianwei Zhang Universität
Mehr2. Teil: Programmierung der Roboter
,, 2. Teil: Programmierung der Lego Mindstorms Schulprojekt der Technischen Universität Dänemark Technische Universität Dänemark Institut für Mathematik Januar 2008 , Der Labyrinth- Wettbewerb Lego Mindstorms
MehrForschungsschwerpunkte Probabilistische Techniken für die Navigation mobiler Roboter
Forschungsschwerpunkte Probabilistische Techniken für die Navigation mobiler Roboter Mobile Roboter müssen in der Lage sein, sich zuverlässig in ihren Umgebungen zu bewegen. Das erfordert verschiedene
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
MehrInhaltsbasierte Bildsuche. Matthias Spiller. 17. Dezember 2004
Kantenbasierte Merkmale für die Bildsuche Inhaltsbasierte Bildsuche Matthias Spiller 17. Dezember 2004 Übersicht Übersicht Einleitung Was sind Kanten? Kantenrichtungs Histogramm Der Canny-Algorithmus Feature-Erzeugung
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
MehrEinsatz von Reinforcement Learning in der Modellfahrzeugnavigation
Einsatz von Reinforcement Learning in der Modellfahrzeugnavigation von Manuel Trittel Informatik HAW Hamburg Vortrag im Rahmen der Veranstaltung AW1 im Masterstudiengang, 02.12.2008 der Anwendung Themeneinordnung
MehrRatSLAM. Torben Becker. 24. Mai HAW Hamburg
HAW Hamburg 24. Mai 2012 Gliederung 1 Motivation 2 3 Aussicht 2 / 21 Motivation Warum SLAM? Navigation Umgebungskartografie Feststellung der Position innerhalb eines Geländes ohne Funksignale Keine vorherige
MehrTopologieerkennung von Sensornetzwerken
looz@ira.uka.de Institut für Theoretische Informatik - Algorithmik I 26. Januar 2010 Übersicht Motivation Definitionen Überlegungen Algorithmus Resultate Motivation Definitionen Überlegungen Algorithmus
MehrBildverarbeitung: Filterung. D. Schlesinger () Bildverarbeitung: Filterung 1 / 17
Bildverarbeitung: Filterung D. Schlesinger () Bildverarbeitung: Filterung 1 / 17 Allgemeines Klassische Anwendung: Entrauschung (Fast) jeder Filter basiert auf einem Modell (Annahme): Signal + Rauschen
MehrWas sind Sensoren? Sensoren sind (elektronische) Bauteile zur qualitativen oder quantitativen Messungbestimmter Größen und Eigenschaften.
Sensoren Was sind Sensoren? Sensoren sind (elektronische) Bauteile zur qualitativen oder quantitativen Messungbestimmter Größen und Eigenschaften. Was messen Sensoren? Wärmestrahlung Temperatur Feuchtigkeit
MehrDifferenzierung von Robotern in Industrie und Service - Probleme der Robotik bei mobilen Systemen -
Differenzierung von Robotern in Industrie und Service - Probleme der Robotik bei mobilen Systemen - Christoph Schmiedecke Studiendepartment Informatik Hochschule für Angewandte Wissenschaften Hamburg 16.
MehrZusammenfassung Verallgemeinerungen VD Segmente/Pledge Algorithmus
Zusammenfassung Verallgemeinerungen VD Segmente/Pledge Algorithmus Elmar Langetepe University of Bonn Algorithmische Geometrie VD Segmente/Pledge 29.06.11 c Elmar Langetepe SS 11 1 Voronoi Diagramm von
MehrIntegration eines pneumatischen Roboters in die Robotics API
Integration eines pneumatischen Roboters in die Robotics API Ziel: Integration eines AirArms in die Robotics API und Umsetzung eines Demo-Anwendung Idee: Die MRK (Mensch Roboter Kooperation) bekommt zunehmend
MehrFußgängernavigation per Fotohandy. Vergleich mit alternativen Verfahren und wirtschaftliche Nutzung
Fußgängernavigation per Fotohandy Vergleich mit alternativen Verfahren und wirtschaftliche Nutzung Navigationsalternativen Stadtplan, allgemein: Karte Selbstständiges Einordnen der eigenen Position Astronomische
MehrLiDAR Mobile Mapping
Institut für Kartographie und Geoinformatik Leibniz Universität Hannover LiDAR Mobile Mapping Visualisierung, Vermessung, Fahrerassistenz Claus.Brenner@ikg.uni-hannover.de IKG Erfassungsfahrzeug Riegl
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
MehrLokalisierung und Topologiekontrolle
Lokalisierung und Topologiekontrolle Seminar: Kommunikation in drahtlosen Sensornetzwerken Martin Schmidt Einführung Lokalisierung: Für viele Informationen ist die Position wichtig Traditionelle Technik
MehrProseminar Künstliche Intelligenz: Wahrnehmung
Proseminar Künstliche Intelligenz: Wahrnehmung Sommersemester 2011 Computer Science Department Group Inhalt Department of Informatics 1 Sensoren 2 Bildverarbeitung Kantenerkennung 3D-Informationen extrahieren
MehrReal Time Tracking of the Human Body. Hauptseminar Bildverstehen: Videobasierte Erkennung und Analyse menschlicher Aktionen. Thomas Endres SS 2006
Real Time Tracking of the Human Body Hauptseminar Bildverstehen: Videobasierte Erkennung und Analyse menschlicher Aktionen Thomas Endres SS 2006 Echtzeit-Erkennung Erkennung Anwendungsmöglichkeiten: Interfaces
MehrComputer Vision: Kalman Filter
Computer Vision: Kalman Filter D. Schlesinger TUD/INF/KI/IS D. Schlesinger () Computer Vision: Kalman Filter 1 / 8 Bayesscher Filter Ein Objekt kann sich in einem Zustand x X befinden. Zum Zeitpunkt i
MehrSelbstlokalisation in Routengraphen
Selbstlokalisation in Routengraphen Axel Lankenau, Thomas Röfer Bremer Institut für Sichere Systeme, TZI, FB3, Universität Bremen, Postfach 330440, D - 28334 Bremen alone@tzi.de, roefer@tzi.de Zusammenfassung
MehrEinführung in die (induktive) Statistik
Einführung in die (induktive) Statistik Typische Fragestellung der Statistik: Auf Grund einer Problemmodellierung sind wir interessiert an: Zufallsexperiment beschrieben durch ZV X. Problem: Verteilung
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen III / Marktpreisrisiken Dr. Klaus Lukas Stefan Prasser
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen III / Marktpreisrisiken Dr. Klaus Lukas Stefan Prasser 1 Agenda Rendite- und Risikoanalyse eines Portfolios Gesamtrendite Kovarianz Korrelationen
MehrPhysikalische Übungen für Pharmazeuten
Helmholtz-Institut für Strahlen- und Kernphysik Seminar Physikalische Übungen für Pharmazeuten Ch. Wendel Max Becker Karsten Koop Dr. Christoph Wendel Übersicht Inhalt des Seminars Praktikum - Vorbereitung
MehrGestenerkennung. Yannick Jonetzko Yannick Jonetzko
30.04.2015 Inhalt Motivation Definition Geste Historie / Anwendungsbereiche Arten der Funktionsweise anhand eines Papers Alternativen Fazit Seite 2 Motivation Human Computer Interaction Gesten sind in
MehrPTD Produkt Newsletter Nr. 06 Leica DISTO D8 Unmögliche Aufgaben möglich machen
LEICA DISTO D8: WIE KÖNNEN UNMÖGLICHE MESSAUFGABEN EINFACH UND SCHNELL BEWÄLTIGT WERDEN? Die neueste Technologie wurde in den neuen Leica DISTO D8 investiert. Ausgestattet mit einem digitalen Zielsucher,
MehrAnalysis: Klausur Analysis
Analysis Klausur zu Extrempunkten, Interpretation von Graphen von Ableitungsfunktionen, Tangenten und Normalen, Extremwertaufgaben (Bearbeitungszeit: 90 Minuten) Gymnasium J Alexander Schwarz www.mathe-aufgaben.com
MehrVermessungskunde für Bauingenieure und Geodäten
Vermessungskunde für Bauingenieure und Geodäten Übung 6: statistische Auswertung ungleichgenauer Messungen Milo Hirsch Hendrik Hellmers Florian Schill Institut für Geodäsie Fachbereich 13 Inhaltsverzeichnis
MehrFehlerrechnung. Einführung. Jede Messung ist fehlerbehaftet! Ursachen:
Fehlerrechnung Einführung Jede Messung ist fehlerbehaftet! Ursachen: Ablesefehler (Parallaxe, Reaktionszeit) begrenzte Genauigkeit der Messgeräte falsche Kalibrierung/Eichung der Messgeräte Digitalisierungs-Fehler
MehrKontaktzeitmessungen beim Venustransit und die Ableitung der Sonnenentfernung
Kontaktzeitmessungen beim Venustransit und die Ableitung der Sonnenentfernung Udo Backhaus 14. Dezember 2004 1 Prinzip Die Messung der Astronomischen Einheit durch Kontaktzeitmessungen beim Venustransit
MehrBetrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion. Thorsten Jost INF-MA SR Wintersemester 2008/2009 1.
Betrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion Thorsten Jost INF-MA SR Wintersemester 2008/2009 1. Dezember 2008 Agenda Motivation Feature Detection SIFT MOPS SURF SLAM Monte Carlo
Mehr2.4 Kinetische Gastheorie - Druck und Temperatur im Teilchenmodell
2.4 Kinetische Gastheorie - Druck und Temperatur im Teilchenmodell Mit den drei Zustandsgrößen Druck, Temperatur und Volumen konnte der Zustand von Gasen makroskopisch beschrieben werden. So kann zum Beispiel
MehrKai Eckert eckertk@rumms.uni-mannheim.de
Übersicht über Wireless LAN basierte Indoor Positionierungssysteme eckertk@rumms.uni-mannheim.de Mobile Business Seminar Lehrstuhl für Praktische Informatik IV Prof. Dr. Wolfgang Effelsberg Betreuer: Thomas
MehrTracking Technologien für Augmented Reality
Tracking Technologien für Augmented Reality 1 Inhalt Motivation Tracking Methoden Optisch MarkerlessTracking (kleine Wiederholung) Aktiv und Passive Marker Modellbasiertes Markerless Tracking Sensoren
MehrPrüfung WS 2006/07. Robotik
Prüfung WS 26/7 Robotik Anmerkungen: Aufgabenblätter auf Vollständigkeit überprüfen Nur Blätter mit Namen und Matr.Nr. werden korrigiert. Keine rote Farbe verwenden. Zu jeder Lösung Aufgabennummer angeben.
MehrKinematik ================================================================== 1. Zeit-Ort-Diagramm geradliniger Bewegungen
Kinematik ================================================================== 1. Zeit-Ort-Diagramm geradliniger Bewegungen Bewegt sich ein Körper geradlinig, dann kann mit einem Zeit-Ort-Diagramm dargestellt
MehrKinematik des starren Körpers
Technische Mechanik II Kinematik des starren Körpers Prof. Dr.-Ing. Ulrike Zwiers, M.Sc. Fachbereich Mechatronik und Maschinenbau Hochschule Bochum WS 2009/2010 Übersicht 1. Kinematik des Massenpunktes
MehrIntelligente Transportsysteme
Intelligente Transportsysteme Universität Ulm Fakultät für Informatik Proseminar Künstliche Intelligenz SS 2004 Michael Arnold Typen intelligenter Transportsysteme Fahrer-Assistenz-Systeme Mensch hat Kontrolle
MehrAuswertung von S-Bahn-Fahrten
1a Auswertung von S-Bahn-Fahrten Teil I Bei S-Bahn-Fahrten von Köln Weiden-West nach Köln Hbf war ein GPS-Empfänger dabei. Die Tracks sind in der Datei S-Bahn.xls verfügbar und können weiter bearbeitet
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
Mehr3. Übung IHCI. Markus Weber
3. Übung IHCI Markus Weber 3. Übungsblatt Fragen Stoff der sechsten siebten und achten Vorlesung Implementierung Automatische Ziffernerkennung Fragen: Multi-Touch (1) Im Zusammenhang mit Multi-Touch Tischen:
MehrWie findet das Navi den Weg?
0.05.0 Verwandte Fragestellungen Problemstellungen aus der Praxis Prof. Dr. Paul Rawiel Gliederung des Vortrags Speicherung von Kartendaten zur Navigation Kriterien für die Navigation Finden des kürzesten
MehrPanoramic Image Processing and Route Navigation
Panoramic Image Processing and Route Navigation Verarbeitung von Panoramabildern und Routennavigation Promotionskolloquium von Dipl. Inform. Thomas Röfer FB3 Informatik Universität Bremen Gliederung Verarbeitung
MehrKapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller
MehrMathematisches Thema Quadratische Funktionen 1. Art Anwenden. Klasse 10. Schwierigkeit x. Klasse 10. Mathematisches Thema
Quadratische Funktionen 1 1.) Zeige, dass die Funktion in der Form f() = a 2 + b +c geschrieben werden kann und gebe a, b und c an. a) f() = ( -5) ( +7) b) f() = ( -1) ( +1) c) f() = 3 ( - 4) 2.) Wie heißen
MehrAutonome Mobile Systeme
Dr. Mohamed Oubbati Institut für Neuroinformatik Universität Ulm SS 2007 Heutiges Thema: Mobile Roboter Ein Mobiler Roboter ist ein System, das mit einer Recheneinheit, Sensoreinheit, und Bewegungseinheit
MehrBeispiel: Positionsschätzung
Das Kalman Filter Beispiel: Positionsschätzung Beispiel: Positionsschätzung. Messung: mit Varianz Daraus abgeleitete Positionsschätzung: mit Varianz ˆX = = f f ( y ) y 3 Beispiel: Positionsschätzung. Messung:
MehrLehrstuhl für Wirtschaftsinformatik im Dienstleistungsbereich
WI 2013, Leipzig, Deutschland Automatische Rekonstruktion eines 3D Körpermodells aus Kinect Sensordaten, Jochen Süßmuth, Freimut Bodendorf Agenda Motivation Methode Ausblick 2 Problemstellung Onlineshopping
MehrEin Structure and Motion Ansatz zur Umfeldrekonstruktion in komplexen Fahrzeugumgebungen
Sicherheit durch Fahrerassistenz 2010 Ein Structure and Motion Ansatz zur Umfeldrekonstruktion in komplexen Fahrzeugumgebungen Wojciech Derendarz, Thorsten Graf Volkswagen AG Friedrich M. Wahl TU Braunschweig,
MehrBiologisch motivierter SLAM Algorithmus
HAW Hamburg 01. Dezember 2011 Gliederung 1 Einführung 2 RatSLAM 3 Aussicht für Master 2 / 23 Einführung Was ist SLAM SLAM bedeutet: Simultaneous Localization and Mapping Erstellung einer Karte durch mobilen
MehrFormelsammlung. Lagrange-Gleichungen: q k. Zur Koordinate q k konjugierter Impuls: p k = L. Hamilton-Funktion: p k. Hamiltonsche Gleichungen: q k = H
Formelsammlung Lagrange-Gleichungen: ( ) d L dt q k L q k = 0 mit k = 1,..., n. (1) Zur Koordinate q k konjugierter Impuls: p k = L q k. (2) Hamilton-Funktion: n H(q 1,..., q n, p 1,..., p n, t) = p k
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrSKS Kurs 2006/2007. Navigation Teil 1
SKS Kurs 2006/2007 Navigation Teil 1 Was heißt Navigieren?? Um das Schiff sicher zum Ziel zu bringen, muss man den Schiffsort und den Kurs bestimmen können! 1. Bestimmen der geografischen Position durch
MehrFallender Stein auf rotierender Erde
Übungen zu Theoretische Physik I - Mechanik im Sommersemester 2013 Blatt 4 vom 13.05.13 Abgabe: 27. Mai Aufgabe 16 4 Punkte allender Stein auf rotierender Erde Wir lassen einen Stein der Masse m in einen
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
Mehr6 Vertiefende Themen aus des Mechanik
6 Vertiefende Themen aus des Mechanik 6.1 Diagramme 6.1.1 Steigung einer Gerade; Änderungsrate Im ersten Kapitel haben wir gelernt, was uns die Steigung (oft mit k bezeichnet) in einem s-t Diagramm ( k=
MehrAlgorithmen für schwierige Probleme
Algorithmen für schwierige Probleme Britta Dorn Wintersemester 2011/12 30. November 2011 Wiederholung Baumzerlegung G = (V, E) Eine Baumzerlegung von G ist ein Paar {X i i V T }, T, wobei T Baum mit Knotenmenge
MehrDatenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität
Datenstrukturen und Algorithmen Christian Sohler FG Algorithmen & Komplexität 1 Clustering: Partitioniere Objektmenge in Gruppen(Cluster), so dass sich Objekte in einer Gruppe ähnlich sind und Objekte
MehrWorkshop Autonome mobile Komponenten
Workshop Autonome mobile Komponenten Zukünftige Komponenten für mobile autonome Systeme aus industrieller Sicht Ein Überblick Autonomie, was ist das? Als Autonomie (von altgriechisch αυτονοµία, autonomía
MehrTECHNISCHE MECHANIK III (DYNAMIK)
Klausur im Fach TECHNISCHE MECHANIK III (DYNAMIK) WS 2014 / 2015 Matrikelnummer: Vorname: Nachname: Ergebnis Klausur Aufgabe: 1 2 3 4 Summe Punkte: 15 7 23 15 60 Davon erreicht Bearbeitungszeit: Hilfsmittel:
MehrKonsistente Karten aus Laserscans
Konsistente Karten aus Laserscans Thomas Röfer Bremer Institut für Sichere Systeme, TZI, FB3, Universität Bremen, roefer@tzi.de Zusammenfassung. Im Projekt Bremer Autonomer Rollstuhl [8] (vgl. Abb. 1)
MehrAutomatische Kalibrierung eines Kamerasystems zur Verkehrsdatenerfassung auf Basis von Navigationssensorik Sebastian Schulz, DLR-TS-ANL
DLR.de Folie 1 03.03.2015, ASW 2016, Wildau Automatische Kalibrierung eines Kamerasystems zur Verkehrsdatenerfassung auf Basis von Navigationssensorik Sebastian Schulz, DLR-TS-ANL DLR.de Folie 2 Agenda
MehrMulti-Modell Kalman Filter zur Lokalisierung im Roboterfussball
Multi-Modell Kalman Filter zur Lokalisierung im Roboterfussball Florian Wilmshöver 1. September 2009 1 Einleitung In der Standard Platform League 1 des RoboCup spielen auf einem 6m 4m großen Spielfeld
MehrSCAN&GO DIE NEUE VERMESSUNGSTECHNOLOGIE. www.scan-go.eu www.shop.laserscanning-europe.com V.02.2014
SCAN&GO DIE NEUE VERMESSUNGSTECHNOLOGIE V.02.2014 www.scan-go.eu www.shop.laserscanning-europe.com SCAN&GO SYSTEM (PATENTRECHTLICH GESCHÜTZT) DIE NEUE VERMESSUNGSTECHNOLOGIE Scan&Go ist eine neue Methode
Mehr10.1 Geometrische Wegplanung im Konfigurationsraum
10 Pfadplanung 10.1 Geometrische Wegplanung im Konfigurationsraum Vorausetzungen Roboter bewegt sich in der Ebene, ohne sich zu drehen Hindernisse sind konvexe Polygone Beispiel Grundgedanke Problem wird
MehrWas bisher geschah. 1. Zerlegung in monotone Polygone 2. Triangulierung der monotonen Teilpolygone
Was bisher geschah Motivation, Beispiele geometrische Objekte im R 2 : Punkt, Gerade, Halbebene, Strecke, Polygon, ebene Zerlegung in Regionen (planare Graphen) maschinelle Repräsentation geometrischer
MehrSCHRIFTLICHE ABITURPRÜFUNG 2013 MATHEMATIK (GRUNDLEGENDES ANFORDERUNGSNIVEAU) Prüfungsaufgaben
() Prüfungsaufgaben Auswahlzeit: Bearbeitungszeit: 30 Minuten 210 Minuten Es sind die drei Pflichtaufgaben und eine Wahlpflichtaufgabe zu lösen. Entscheiden Sie sich für eine Wahlpflichtaufgabe und kreuzen
MehrInterferenz makroskopischer Objekte. Vortragender: Johannes Haupt
Interferenz makroskopischer Objekte Vortragender: Johannes Haupt 508385 1 Inhalt 1. Motivation 2. Geschichtliche Einführung 3. Experiment 3.1. Aufbau 3.2. Resultate 4. Thermische Strahlung 4.1. Grundidee
MehrPhysik 2 (GPh2) am
Name: Matrikelnummer: Studienfach: Physik 2 (GPh2) am 17.09.2013 Fachbereich Elektrotechnik und Informatik, Fachbereich Mechatronik und Maschinenbau Zugelassene Hilfsmittel zu dieser Klausur: Beiblätter
MehrGibbs sampling. Sebastian Pado. October 30, Seien X die Trainingdaten, y ein Testdatenpunkt, π die Parameter des Modells
Gibbs sampling Sebastian Pado October 30, 2012 1 Bayessche Vorhersage Seien X die Trainingdaten, y ein Testdatenpunkt, π die Parameter des Modells Uns interessiert P (y X), wobei wir über das Modell marginalisieren
MehrHannah Wester Juan Jose Gonzalez
Neuronale Netze Supervised Learning Proseminar Kognitive Robotik (SS12) Hannah Wester Juan Jose Gonzalez Kurze Einführung Warum braucht man Neuronale Netze und insbesondere Supervised Learning? Das Perzeptron
MehrÜbungen zu Physik 1 für Maschinenwesen
Physikdepartment E13 WS 2011/12 Übungen zu Physik 1 für Maschinenwesen Prof. Dr. Peter Müller-Buschbaum, Dr. Eva M. Herzig, Dr. Volker Körstgens, David Magerl, Markus Schindler, Moritz v. Sivers Vorlesung
Mehr(Indoor)-Lokalisation
(Indoor)-Lokalisation Mathias Pelka http://www.cosa.fh-luebeck.de 19.05.2014 2014 Forschung erforschen 1 Global Positioning System (NAVSTAR GPS) Ermöglicht die Positionsbestimmung Zwei Frequenzen (L1,
MehrChristina Nell. 3D-Computergrafik
Christina Nell 3D-Computergrafik Was ist 3D-Computergrafik? 3D graphics is the art of cheating without getting caught. (unbekannte Quelle) Folie 2/52 Inhalt Beleuchtung Shading Texturierung Texturfilterung
MehrModellieren in der Angewandten Geologie II. Sebastian Bauer
Modellieren in der Angewandten Geologie II Geohydromodellierung Institut für Geowissenschaften Christian-Albrechts-Universität zu Kiel CAU 3-1 Die Finite Elemente Method (FEM) ist eine sehr allgemeine
Mehr1 Mechanik starrer Körper
1 Mechanik starrer Körper 1.1 Einführung Bisher war die Mechanik auf Massepunkte beschränkt. Nun gehen wir den Schritt zu starren Körpern. Ein starrer Körper ist ein System aus Massepunkten, welche nicht
MehrStatistik. Jan Müller
Statistik Jan Müller Skalenniveau Nominalskala: Diese Skala basiert auf einem Satz von qualitativen Attributen. Es existiert kein Kriterium, nach dem die Punkte einer nominal skalierten Variablen anzuordnen
MehrMasse, Kraft und Beschleunigung Masse:
Masse, Kraft und Beschleunigung Masse: Seit 1889 ist die Einheit der Masse wie folgt festgelegt: Das Kilogramm ist die Einheit der Masse; es ist gleich der Masse des Internationalen Kilogrammprototyps.
MehrMathematik. Technik. Programmieren. Physik. Mechanik. Elektronik. Getriebeverhältnisse. Sensoren Antwort/ Feedback. Einfache Maschinen
Robotics ist angewandte Mathematik und fördert das forschende Lernen Physik Elektronik Sensoren Antwort/ Feedback Mathematik Technik Programmieren Mechanik Getriebeverhältnisse Einfache Maschinen Geometrie
Mehr