Innholdsfortegnelse

Emnet er tilknyttet følgende studieprogram

Undervisningsspråk

Engelsk

Anbefalte forkunnskaper

ING100, MA-223, MAS239, MAS240, MAS248, MAS417, eller tilsvarende

Læringsutbytte

Etter fullført emne skal studentene kunne:

  • Forstå og anvende prinsipper for autonome systemer ved bruk av "Sense, Think, and Act"-rammeverket.
  • Bruke og analysere sensorer og måleteknikker innen robotikk, inkludert LiDAR, enkodere og IMU-er.
  • Modellere og håndtere sensorusikkerhet og signalstøy ved hjelp av statistiske teknikker.
  • Utvikle matematiske modeller basert på sensordata for lokaliseringsteknikker som odometri, kartbasert lokalisering og SLAM.
  • Integrere multisensordata ved hjelp av avanserte teknikker som Kalman-filtre for nøyaktig lokalisering og navigasjon.
  • Utforme og teste kinematiske modeller og bevegelseskontrollstrategier for mobile roboter og manipulatorer.
  • Designe og implementere algoritmer for bevegelsesplanlegging for autonom navigasjon.
  • Bruke ROS 2 (Python eller C++) for integrasjon og utvikling av autonome robotsystemer.
  • Gjennomføre eksperimentelt arbeid med UiAbot for å validere systemytelse og forbedre autonom atferd.

Innhold

Emnet gir en grundig innføring i autonom robotikk, med en kombinasjon av teoretiske prinsipper, praktiske anvendelser og praktisk utvikling. Hovedtemaene inkluderer:

  • Instrumentering og sensorintegrasjon (persepsjon): Bruk av sensorer som LiDAR, IMU-er og enkodere for miljøoppfattelse og estimering av robotens tilstand.
  • Robotkinematikk (bevegelseskontroll): Modellering og kontroll av bevegelser for mobile roboter og manipulatorer, inkludert differensialstyringssystemer.
  • Lokalisering og kartlegging: Metoder som odometri, kartbasert lokalisering og SLAM for å bestemme robotens posisjon.
  • Navigasjon og bevegelsesplanlegging: Algoritmer for global og lokal ruteplanlegging samt kollisjonsunngåelse.

Praktiske øvelser utfyller det teoretiske innholdet, med arbeid på UiAbot-plattformen og bruk av verktøy som ROS 2 (programmering i Python eller C++) for systemdesign, integrasjon og implementering.

Undervisnings- og læringsformer

Forelesninger, quizer, labøvelser og obligatoriske oppgaver. Forventet arbeidsmengde for en gjennomsnittlig student er ca. 200 timer.

Vilkår for å gå opp til eksamen

Obligatoriske oppgaver må være godkjent for å kunne gå opp til eksamen. Disse blir kunngjort på Canvas i starten av semesteret.

Eksamen

Mappevurdering bestående av delprøver og skriftlig oppgave. Gradert karakter. Nærmere informasjon om mappevurderingen og krav til innhold i mappen vil bli gitt i Canvas ved semesterstart. Det blir ikke arrangert ny/utsatt eksamen for mappevurderingen.

Studentevaluering

Emneansvarlig i samråd med studenttillitsvalgt fastsetter evalueringsform og om emnene skal ha midtveis- eller sluttevaluering, jf. kvalitetssystemet kapittel 4.1. Informasjon om evalueringsform for emnet publiseres i Canvas.

Tilbys som enkeltemne

Ja
Sist hentet fra FS (Felles studentsystem) 15. okt. 2026 15:57:41