• Inicio

    Del jueves 6 de noviembre al martes 9 de diciembre de 2014.

    Materia corta del Programa de Profesores Visitantes

    Profesor: Dr. José E. Guivant (School of Mechanical and Manufacturing Engineering, UNSW, Australia).

    Objetivos: 

    En este curso el estudiante adquiere conceptos sobre cómo dar al robot capacidades de percepción y control. Se trabajará con datos, sensores y plataformas reales; se aprenderan conceptos generales tales como Estimación Bayesiana, estimadores específicos del tipo EKF, teoría de Control Optimo basado en Programación Dinamica, aplicado a path planning. Se estudiarán temas específicos como localización, mapeo, SLAM, path planning, etc. Los conceptos contenidos en este curso pueden ser aplicados a otras areas de las ciencias, no sólo a Robótica de Campo.

    Puntaje: 3 puntos para la Licenciatura (confirmado) y para el Doctorado en Cs. de la Computación (en trámite).

    Horario y lugar: Martes y jueves, 10-13h y 14-17h en el laboratorio 6 (subsuelo del DC, pabellón 1, Ciudad Universitaria). Del jueves 6/11 al martes 9/12 de 2014 (5 semanas).

    El curso se dictará en español.

    Modo de evaluación: Examen final (40% de la nota final) y proyectos semanales (suman en total 60% de la nota final).

    Conocimientos Previos Recomendados:

    • Conocimientos de matemática: Análisis Matemático 1 y 2: Vectores y matrices. Entender modelos expresados por ecuaciones diferenciales. Funciones de varias variables, derivadas parciales, linearización (Taylor de primer orden).
    • Conocimento básico de estadística (recomendado): ¿Qué es una variable aleatoria? ¿qué es una PDF?
    • Conocimiento básico de control (recomendado): Cómo expresar una ecuación differencial (o discreta) por medio de variables de estado. Tener conocimientos previos acerca de "observadores" es ventajoso aunque no necesario.
    • Conocimiento de programación: Haber programado en C/C++ o Matlab o Fortran o Pascal (es decir tener conceptos de Programación). En los proyectos e implementaciones se usará el lenguage de programación Matlab (plain / puro).
    • Lenguaje de programacion Matlab (funciones, variables matrices, vectores, escalares. Lazos,...) (solo el lenguaje, no es necesario conocer toolboxes especificos)

     

    Inscripción:  Los alumnos de la FCEyN-UBA podrán inscribirse en el SIU (la materia está cargada en el sistema con el título "CURSO DE ROBÓTICA MÓVIL AVANZADA"); el resto puede consultar aquí como inscribirse. Ante cualquier duda, escribir a mdemartino (at) dc.uba.ar.


    Programa tentativo:

    • Semana 1. Clase Teórica A (T1A) Introducción acerca del curso. Sensores típicos usados en Robótica de Campo (IMU, GPS, Laser scanners, Cámaras D-RGB, encoders) Teoría Bayesiana, parte 1.
    • Semana 1. Clase Práctica A (P1A) Usando sensores reales. IMU (Inertial Measurement Unit). Integración de velocidades angulares provistas por giróscopos 3D de la IMU. Pre procesamiento de medidas generadas por laser scanner.
    • Semana 1. Clase Teórica B (T1B) Teoría Bayesiana, parte 2.
    • Semana 1. Clase Práctica B (P1B) "Feature Extraction". Pre-procesamiento de scans generados por laser scanner.
    • Semana 2. Clase Teórica A (T2A) Teoria Bayesiana, caso de Estimadores Gaussianos: Kalman Filter, Extended Kalman Filter (EKF), Unscented Kalman Filter (UKF).
    • Semana 2. Clase Práctica A (P2A) Implementación de modelo cinemático de una plataforma. Basado en IMU y "Wheel encoders".
    • Semana 2. Clase Teórica B (T2B) EKF aplicado a localización. Casos de estudio: Caso localización 2D (3DoF: posición 2D y heading). Fusión de sensores IMU (Inertial Measurement Unit), encoders, Laser scanner; basado en mapa de navegación conocido a priori. Casos "Range Only", "Bearing Only" y "Range and Bearing" Extendiendo el vector de estados para estimar parámetros: Caso general. Caso de estudio: Estimación de offset de giróscopo. Estimación de otros parámetros relevantes.
    • Semana 2. Clase Práctica A (P2A) Implementación de Localizador basado en Triangulación, métodos estándar. Caso a) Solo rango (Range Only) Caso b) Solo ángulo (Bearing Only) Caso c) Rango y ángulo (Range and Bearing)
    • Semana 3. Clase Teórica A (T3A) Caso localización estimación de attitude en 3D: Fusión de sensores IMU e imágenes D-RGB. Estimación de offset de giróscopos 3D.
    • Semana 3. Clase Teórica B (T3B) Demostraciones de proyectos realizados por estudiantes (proyecto desarrollado en P2A). Discusión acerca de resultados obtenidos.
    • Semana 3. Clases Prácticas A y B (P3AB) Implementación de localizador 2D (estimador de posición 2D, i.e. 3DoF) basado en EKF. Implementación de localizador extendido (estimación de offset de giróscopo)
    • Semana 4. Clase Teórica A (T4A) Síntesis de mapas densos. Descripción del terreno. Usos de imágenes 3D. Grillas de Ocupación (Occupancy Grid, OG).
    • Semana 4. Clase Práctica A (P4A) Implementación de OG basado en medidas de laser scanner o en imágenes 3D (depende de la plataforma y los sensores que sean usados)
    • Semana 4. Clase Teórica B (T4B) Planeo de Trayectoria (Path Planning), basado en mapas densos. Planeo Óptimo. Principio de Optimalidad de Bellman. Programación Dinámica. Método de Dijkstra y derivados.
    • Semana 4. Clase Práctica B (P4B) Aplicación de planeador de trayectoria basado en Dijkstra, sobre mapa denso descripto por OG. Nota: el planeador será provisto por el académico, el mapa denso es el implementado por el estudiante en P4A. El proyecto consta en adaptar el planeador provisto, para el caso de aplicación a resolver.
    • Semana 5. Clase Teórica A (T5A) Localizacion y Mapeo Simultaneo (Simultaneous Localization and Mapping, SLAM). Solucion basada en EKF.
    • Semana 5. Clase Teórica B (T5B) Examen de 2 horas.
    • Semana 5. Clases Prácticas A,B . Estudiantes refinan implementaciones de proyectos, que serán demostrados públicamente (en clase), durante semana 6.
    • Semana 6. Clase Teórica A (T6A) , Semana 6. Clase Practica A (P6A) Demostración de resultados de proyectos, por parte de estudiantes.
    • Semana 6. Clase Teórica B (T6B). Discusión. Despedida.

    Acerca del profesor:
    José Guivant obtuvo el grado de Ingeniero Electrónico en la Universidad Nacional del Sur (UNS), Bahía Blanca, Argentina, en 1993. Desarrolló sus estudios de doctorado en la Universidad de Sydney, en el ACFR (Australian Centre for Field Robotics), en el período 1999-2002. Su tesis de doctorado abordó el tema de SLAM (Simultaneous Localization and Mapping). Desde 2002 hasta 2008 fue Investigador (Research Fellow) en el ACFR. Desde 2008 es académico (Senior Lecturer) en la School of Mechanical Engineering en la UNSW (University of New South Wales), en Sydney, Australia. Sus áreas de interés incluyen: Sistemas Autónomos Avanzados, Sensor Data fusion, Estimación Bayesiana, entre otros.