MAS514 Introduksjon til autonom robotikk (Høst 2025)
- Studiepoeng:
- 7.5
- Ansvarlig avdeling:
- Fakultet for teknologi og realfag
- Emneansvarlig:
- Daniel Hagen
- Undervisningssemester:
- Høst
- Undervisningsspråk:
- Engelsk
- Varighet:
- ½ år
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