Předmět naučí principům umožňující vytvářet/užívat roboty schopné vnímat okolní svět a porozumět mu, plánovat aktivitu robotů s kognitivními schopnostmi v něm včetně možnosti svět aktivně ovlivňovat. Budou vysvětleny různé architektury robotů a jejich technické realizace. Studenti ve cvičeních budou s kognitivními roboty prakticky experimentovat. Studovaná látka má širší použitelnost při návrhu a stavbě inteligentních strojů.
Podrobněji viz Východiska předmětu B3M33ARO Autonomní robotika.
Přednášející: Václav Hlaváč (VH) s pomocí Karla Zimmermanna (KZ). Kratší části tří přednášek využijeme pro napsání zkouškové písemky. Rozložením zkouškových přednášek v čase pobízíme studenta k průběžnému studiu.
č.t. | datum | Obsah | Prezentace |
---|---|---|---|
1 | 19.2. | Robotika, motivace, manipulátor v průmyslu. Kinematika, přehled. Studenti si mají před přednáškou občerstvit znalosti z lineární algebry. | Anchoring robots, Kinematics |
2 | 26.2. | Autonomní robot, architektury | Autonomus robots, architectures |
3 | 5.3. | Robot s kamerou. Geometrie jedné kamery a její kalibrace. Homografie. | pinhole.pdf |
4 | 12.3. | Uvažující robot, moduly/úlohy, konfigurační prostor. | Representation for reasoning |
5 | 19.3. | Hloubka z obrazových a podobných senzorů. Využití hloubkových map. | Least-Squares Fitting of Two 3-D Point Sets mapping.pdf |
6 | 26.3. | Trajektorie manipulátoru/mobilního robotu a její výpočet. Test 1. | Trajectory of the manipulator |
7 | 2.4. | Státní svátek. Velikonoční pondělí, bez přednášky | |
8 | 9.4. | Plánování cesty robotů, deterministické metody. | Deterministic planning |
9 | 16.4. | Plánování cesty robotů, pravděpodobnostní metody. | Random planning |
10 | 23.4. | Současná lokalizace a mapování SLAM, ROS Test 2. | SLAM, 03_ros_wagner.pdf |
11 | 30.4. | KZ: Reinforcement learning in robotics | 01_object_detection.pdf 02_reinforcement_learning.pdf |
12 | 7.5. | Taktilní zpětná vazba v robotice. | Tactile robotics |
13 | 14.5. | Silově poddajný robot. Manipulační úlohy. Chapadla. Test 3. | |
14 | 11.5. | Humanoidní roboty. |
Průsvitky všech přednášek V. Hlaváče jsou k dispozici buď anglicky nebo česky, někdy v obou jazycích.
U studentů tohoto předmětu se očekává schopnost rozumět pojmům a pracovat s nimi z matematické analýzy, lineární algebry, pravděpodobnosti a statistiky. Dále se očekává schopnost programovat v MATLABu. Předmět nemá opakovat znalosti z předmětů, které se vyučovaly v bakalářském studiu Kybernetiky a robotiky. Pokud bychom všechno opakovali, předmět by byl příliš mělký.
Může se stát, že student nestudoval předmět, v němž se probírala očekávaná předběžná znalost pro předmět Autonomní robotika. Potom si student má občerstvit svoji znalost sám.
Nabízíme studentům pomoc pro jejich osvěžování znalosti odkazem na prezentace na přednáškách pro požadovanou znalost. Prezentace jsem připravil buď já (Václav Hlaváč), nebo kolegové Michal Reinštein (dřívější cvičící předmětu), Karel Zimmermann a další kolegové.
Autor | Prezentace a odkaz na ni |
---|---|
V. Hlaváč | Probability and statistics, rehearsal |
V. Hlaváč | Least squares |
V. Hlaváč | Geometry for robotics |
V. Hlaváč | Feedback, core of cybernetics |
V. Hlaváč | Actuators for robotics |
V. Hlaváč | Sensors for robotics |
V. Hlaváč | Robotic middleware, ROS |
V. Hlaváč | Statiscal decision making, Bayesian formulation |
K. Zimmermann | Visual odometry |
T. Svoboda | RANSAC |
M. Reinštein | State estimate for mobile robotics |
M. Reinštein | MATLAB mars lander |
M. Reinštein | Intro to data fusion |
M. Reinštein | Bayesian extended Kalman filter |
K. Zimmermann | Bayesian decision theory cookbook |
Cvičení: laboratorní cvičení s autonomními roboty (roboty z projektů, stavebnice z robotů iRobot Create). Na robotech studenti pořídí data, v samostatné práci vyřeší tři úlohy a na robotech je předvedou.
Cvičící: Ing. Karel Zimmermann, Ph.D. (vedoucí cvičení), Ing. Vladimír Kubelka, Mgr. Radoslav Škoviera, Ph.D., Ing. Libor Wagner
Detaily ke cvičením budou uvedeny v samostatné sekci cvičení 2016/2017.
Upozornění: Podle Studijního a zkušebního řádu ČVUT je navštěvování přednášek nepovinné. Pro návštěvu cvičení ovšem požadujeme teoretickou znalost procvičované problematiky (podle programu cvičení), která bude vyučována na předcházejících přednáškách. Když student chce, může si látku před cvičením doplnit z doporučené literatury.
Splnění a odevzdání úlohy ve cvičení podle podmínek cvičení. Napsání všech tří hodnocených testů.
Výkon ve cvičení je hodnocen maximálně 40 body.
Zkouška se skládá z písemné a ústní části.
Písemky ke zkoušce se píší ve třech termínech na přednášce. V písemné části student řeší několik příkladů ověřujících znalost z teoretických a matematických nástrojů inteligentní robotiky. Okruhy pro písemku budou zveřejněny na přednášce jeden týden před písemkou. Každá tato písemka je ohodnocena maximálně 10 body. Ze tří písemek lze tedy ke zkoušce získat nejvýše 30 bodů. Předpokládá se, že student získá nejméně 10 bodů z písemky, aby mohl jít k ústní zkoušce. Studenti, kteří kvůli neschopenkou potvrzené nemoci nebo z jiných závažných důvodů předem projednaném s vedoucím cvičení on rozhodne, zda je důvod uznatelný), budou moci psát náhradní písemku v jednom vyhlášeném termínu v zápočtovém týdnu. Náhradní písemka pokrývá látku celého předmětu.
U ústní zkoušky lze dosáhnout nejvýše 30 bodů. Ke zkoušce se mohou přihlásit pouze studenti, kteří získali zápočet ze cvičení. K ústní zkoušce si student přinese vytištěný vědecký článek v angličtině dotýkající se obsahu předmětu. Student si článek sám sám najde a prostuduje. V ústní části se zkoušející zaměří na studentovy hlubší znalosti v oblasti, kterou výběrem článku student sám ovlivnil. Ověřuje se také schopnost zařadit tuto znalost do kontextu předmětu a studentova předchozího studia. Článek má být z nedávné doby (ne starší než pět let), ze špičkového vědeckého časopisu ze sezamu
K časopisům studenti mají elektronický přístup přes příslušný portál placený ČVUT, viz Ústřední knihovna ČVUT nebo přímo na portál. Student musí znát bibliografické údaje o článku a napsat je na výtisk přinesený ke zkoušce, tj. nemůže jít o jen tak o nějaký z webu stažený text. Nepřípustné jsou články z konferencí. Preferuje se, když student přinese na zkoušku svůj pracovní výtisk článku s poznámkami.
Celkové hodnocení předmětu je podle následující tabulky.
Počet bodů | Hodnocení zkoušky |
---|---|
0-49 | neprospěl, F |
50- 59 | dostatečně, E |
60-69 | uspokojivě, D |
70-79 | dobře, C |
80-89 | velmi dobře, B |
90-100 | výborně, A |
Opisování považuji za nepřípustné. Bude-li student při písemce přistižen při opisování, bude z písemky hodnocen nula body bez možnosti psát písemku znovu. U odevzdaných úloh je opisování kontrolováno a srovnáváno s pracemi jiných. Opisování bude v předmětu trestáno. Dále bude studijní oddělení FEL ČVUT požádáno, aby opisování zaznamenalo do studijní dokumentace studenta.
Přeji studentům, ať se jim látka inteligentní robotiky líbí a dobře studuje. Těším se na zpětnou vazbu a podněty k vylepšení. Mluvte se mnou buď po přednášce nebo mi pošlete email.
V. Hlaváč, 15. 1. 2018