How can robots determine their state and properties of the surrounding environment from noisy sensor measurements in time? In this module you will learn how to get robots to incorporate uncertainty into estimating and learning from a dynamic and changing world. Specific topics that will be covered include probabilistic generative models, Bayesian filtering for localization and mapping.
Ce cours fait partie de la Spécialisation Robotique
Robotics: Estimation and Learning
proposé par
Programme du cours : ce que vous apprendrez dans ce cours
Semaine
1Gaussian Model Learning
We will learn about the Gaussian distribution for parametric modeling in robotics. The Gaussian distribution is the most widely used continuous distribution and provides a useful way to estimate uncertainty and predict in the world. We will start by discussing the one-dimensional Gaussian distribution, and then move on to the multivariate Gaussian distribution. Finally, we will extend the concept to models that use Mixtures of Gaussians.
9 vidéos (Total 52 min), 3 lectures, 1 quiz
9 vidéos
Course Introduction3 min
WEEK 1 Introduction1 min
1.2.1. 1D Gaussian Distribution8 min
1.2.2. Maximum Likelihood Estimate (MLE)6 min
1.3.1. Multivariate Gaussian Distribution7 min
1.3.2. MLE of Multivariate Gaussian4 min
1.4.1. Gaussian Mixture Model (GMM)4 min
1.4.2. GMM Parameter Estimation via EM7 min
1.4.3. Expectation-Maximization (EM)6 min
3 lectures
MATLAB Tutorial - Getting Started with MATLAB10 min
Setting Up your MATLAB Environment10 min
Basic Probability10 min
Semaine
2Bayesian Estimation - Target Tracking
We will learn about the Gaussian distribution for tracking a dynamical system. We will start by discussing the dynamical systems and their impact on probability distributions. This linear Kalman filter system will be described in detail, and, in addition, non-linear filtering systems will be explored.
5 vidéos (Total 21 min), 1 quiz
5 vidéos
WEEK 2 Introduction1 min
Kalman Filter Motivation4 min
System and Measurement Models5 min
Maximum-A-Posterior Estimation4 min
Extended Kalman Filter and Unscented Kalman Filter4 min
Semaine
3Mapping
We will learn about robotic mapping. Specifically, our goal of this week is to understand a mapping algorithm called Occupancy Grid Mapping based on range measurements. Later in the week, we introduce 3D mapping as well.
6 vidéos (Total 36 min), 1 quiz
6 vidéos
WEEK 3 Introduction1 min
Introduction to Mapping7 min
3.2.1. Occupancy Grid Map6 min
3.2.2. Log-odd Update6 min
3.2.3. Handling Range Sensor6 min
Introduction to 3D Mapping8 min
Semaine
4Bayesian Estimation - Localization
We will learn about robotic localization. Specifically, our goal of this week is to understand a how range measurements, coupled with odometer readings, can place a robot on a map. Later in the week, we introduce 3D localization as well.
6 vidéos (Total 23 min), 1 quiz
6 vidéos
WEEK 4 Introduction1 min
Odometry Modeling5 min
Map Registration5 min
Particle Filter4 min
Iterative Closest Point5 min
Closing45s
4.1
79 avis67%
a commencé une nouvelle carrière après avoir terminé ces cours
60%
a bénéficié d'un avantage concret dans sa carrière grâce à ce cours
25%
a obtenu une augmentation de salaire ou une promotion
Meilleurs avis
par VG•Feb 16th 2017
The material is clearly presented. The Matlab exercises complement and reinforce the subject, the level of difficulty is well balanced, thanks for this great course.
par NN•Jun 20th 2016
This is course is really helpful for beginners to understand how probability is useful in Robotics.Assignments are bit tough but worth the time .
Enseignant
Daniel Lee
Professor of Electrical and Systems EngineeringSchool of Engineering and Applied Science
À propos de Université de Pennsylvanie
The University of Pennsylvania (commonly referred to as Penn) is a private university, located in Philadelphia, Pennsylvania, United States. A member of the Ivy League, Penn is the fourth-oldest institution of higher education in the United States, and considers itself to be the first university in the United States with both undergraduate and graduate studies.
À propos de la Spécialisation Robotique
The Introduction to Robotics Specialization introduces you to the concepts of robot flight and movement, how robots perceive their environment, and how they adjust their movements to avoid obstacles, navigate difficult terrains and accomplish complex tasks such as construction and disaster recovery. You will be exposed to real world examples of how robots have been applied in disaster situations, how they have made advances in human health care and what their future capabilities will be. The courses build towards a capstone in which you will learn how to program a robot to perform a variety of movements such as flying and grasping objects.
Foire Aux Questions
Quand aurai-je accès aux vidéos de cours et aux devoirs ?
Une fois que vous êtes inscrit(e) pour un Certificat, vous pouvez accéder à toutes les vidéos de cours, et à tous les quiz et exercices de programmation (le cas échéant). Vous pouvez soumettre des devoirs à examiner par vos pairs et en examiner vous-même uniquement après le début de votre session. Si vous préférez explorer le cours sans l'acheter, vous ne serez peut-être pas en mesure d'accéder à certains devoirs.
À quoi ai-je droit si je m'abonne à cette Spécialisation ?
Lorsque vous vous inscrivez au cours, vous bénéficiez d'un accès à tous les cours de la Spécialisation, et vous obtenez un Certificat lorsque vous avez réussi. Votre Certificat électronique est alors ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.
Quelle est la politique de remboursement ?
Une aide financière est-elle possible ?
D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.
Coursera propose un accès universel à la meilleure formation au monde,
en partenariat avec des universités et des organisations du plus haut niveau, pour proposer des cours en ligne.
© 2019 Coursera Inc. Tous droits réservés.
