Saltar al contenido

Estimación de estado y filtrado para sistemas aeroespaciales

Descripción

¿Cómo determina una aeronave autónoma su vector de velocidad y su posición teniendo en cuenta el GPS, la velocidad del aire y las mediciones IMU? ¿Cómo hace un automóvil autónomo para cartografiar su entorno y determinar su posición en relación con ese entorno con datos ruidosos, incluyendo las mediciones de la cámara y el LIDAR? Estos son ejemplos de un problema fundamental en la ingeniería: la estimación del estado. En este curso se estudiarán los algoritmos que se utilizan para determinar el estado de un sistema dinámico a lo largo del tiempo mientras se filtran las mediciones erróneas. Explorando ejemplos de robótica, incluyendo la estimación de estados para drones, SLAM para autos autónomos y robots móviles, y la estimación de actitudes para naves espaciales autónomas, aprenderás a usar filtros para resolver problemas matemáticos. Desarrollará una comprensión de la estimación de estados en el contexto más amplio de la estimación bayesiana, que es relevante para una serie de temas en el aprendizaje de las máquinas, la inteligencia artificial y el procesamiento de señales.

Estimación de estado y filtrado para sistemas aeroespaciales
Estimación de estado y filtrado para sistemas aeroespaciales

Lo que aprenderás

  • Cómo desarrollar algoritmos de estimación de estados
  • Cómo optimizar los parámetros utilizando datos experimentales
  • Cómo aplicar las estrategias de estimación del estado a los problemas del mundo real
  • Cómo avanzar en sus habilidades resolviendo tanto los problemas matemáticos tradicionales como los ejercicios de implementación

Instructor(es)

Requisitos previos

El curso asume el conocimiento de los conceptos del control del espacio de estado y los sistemas lineales (ENGR205 y EE263), y la familiaridad básica con el filtro de Kalman. Se espera un alto nivel de madurez matemática.

Los temas incluyen

  • Sistemas dinámicos y examen de probabilidades
  • Sistemas Lineales-Gausianos
  • Filtrado Kalman y Bayesiano
  • Arquitecturas no lineales
  • Filtros iterados y optimización
  • Dinámica de cuerpos rígidos

Notas

Nota sobre la disponibilidad del curso

Este curso se ofrece típicamente en el trimestre de primavera.

El programa de cursos se muestra para fines de planificación – los cursos pueden ser modificados, cambiados o cancelados. La disponibilidad de los cursos se considerará finalizada el primer día de inscripción abierta. Para las fechas de inscripción trimestrales, por favor, consulte nuestra página web del certificado de graduado.