Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage...

• Prinzipien eines Kalman Filters zu erklären
• eine Kalman Filterung selbst zu implementieren
• eine Totalstation für das automatisierte Tracken von dynamischen Zielen anzusteuern (GEOCOM)
• Grundlagen von ROS (Robot Operating System) zu verstehen
• ein geodätisches Netz für das Lösen kinematischer Aufgabenstellungen aufzubauen
• ein Bodyframe eines Roboters für kinematische Fragestellungen zu realisieren
• Leverarme zu Objekten im Bodyframe zu bestimmen
• die Performance einer dynamischen Zustandsschätzung anhand einer Groundtruth zu beurteilen

Erlernen der Grundprinzipien des Kalman Filters durch die selbstständige Implementierung am Beispiel eines Roboterautos.
Konkret wird die Sensorfusion mittels Kalman Filters aus Odometrie und Tachymeterdaten erarbeitet.
Dafür werden dynamische Messdaten von Versuchsfahrten eines Roboterautos von den Studenten aufgenommen.
Die Studenten lernen dabei, ein geodätisches Netz für die Bewältigung kinmeatischer Messaufgaben zu verwirklichen und moderne,
automatisierte, geödetische Messinstrumente über eine Programmierschnittstelle anzusteuern. Die Ergebnisse der Zustandsfilterung
mittels Kalman Filterung im Post-Processing werden von den Studenten anhand von Groundtruthdaten kritisch geurteilt.

Einführung in relevante Aspekte der Robotik (ROS), und Schnittstellen mit der Ingenieurgeodäsie (GEOCOM).
Vortrag zu den Prinzipien der Sensorfusion mit Kalman Filter.
Praktisches Umsetzen des Messaufbaus und Durchführung der Messungen in Gruppen im Labor.
Selbstständiges Implementieren einer Kalman Filterung in Python oder Matlab.
Kritische Begutachtung der Ergebnisse anhand von Groundtruthdaten.
Präsentieren und Verteidigen der gefundenen Ergebnisse.

Aktive Mitarbeit während des Semesters und Abschlusspräsentation.