Robotersysteme bestehen in der Regel aus drei Komponenten: einem Mechanismus, der in der Lage ist, Kräfte und Drehmomente auf die Umgebung auszuüben, einem Wahrnehmungssystem zur Erfassung der Welt und einem Entscheidungs- und Kontrollsystem, das das Verhalten des Roboters moduliert, um die gewünschten Ziele zu erreichen. In diesem Kurs werden wir uns mit dem Problem beschäftigen, wie ein Roboter entscheidet, was er tun soll, um seine Ziele zu erreichen. Dieses Problem wird oft als Bewegungsplanung bezeichnet und wurde auf verschiedene Weise formuliert, um unterschiedliche Situationen zu modellieren. Sie werden einige der gängigsten Ansätze zur Lösung dieses Problems kennenlernen, darunter graphenbasierte Methoden, randomisierte Planer und künstliche Potenzialfelder. Im Laufe des Kurses werden wir die Aspekte des Problems diskutieren, die die Planung zu einer Herausforderung machen.

Wie können Roboter ihre Motoren und Sensoren nutzen, um sich in einer unstrukturierten Umgebung zu bewegen? Sie werden verstehen, wie man Roboterkörper und Verhaltensweisen entwirft, die Gliedmaßen und allgemeinere Anhänge nutzen, um physikalische Kräfte anzuwenden, die eine zuverlässige Mobilität in einer komplexen und dynamischen Welt ermöglichen. Wir entwickeln einen Ansatz zur Zusammenstellung einfacher dynamischer Abstraktionen, die die Erstellung komplizierter sensomotorischer Programme teilweise automatisieren. Zu den spezifischen Themen, die wir behandeln werden, gehören: Mobilität bei Tieren und Robotern, Kinematik und Dynamik von Maschinen mit Beinen und Design von dynamischem Verhalten über Energielandschaften.

Wie können Roboter die Welt und ihre eigenen Bewegungen wahrnehmen, so dass sie Navigations- und Manipulationsaufgaben bewältigen können? In diesem Modul werden wir untersuchen, wie Bilder und Videos, die von an Robotern angebrachten Kameras aufgenommen werden, in Darstellungen wie Merkmale und optischen Fluss umgewandelt werden. Diese 2D-Darstellungen ermöglichen es uns dann, 3D-Informationen darüber zu extrahieren, wo sich die Kamera befindet und in welche Richtung sich der Roboter bewegt. Sie werden verstehen, wie das Greifen von Objekten durch die Berechnung der 3D-Position von Objekten erleichtert wird und wie die Navigation durch visuelle Odometrie und Landmarken-basierte Lokalisierung erreicht werden kann.

Wie können Roboter ihren Zustand und die Eigenschaften der Umgebung aus verrauschten Sensormessungen in der Zeit bestimmen? In diesem Modul lernen Sie, wie Roboter dazu gebracht werden können, Unsicherheiten in ihre Schätzungen einzubeziehen und aus einer dynamischen und sich verändernden Welt zu lernen. Zu den spezifischen Themen, die behandelt werden, gehören probabilistische generative Modelle, Bayes'sches Filtern für Lokalisierung und Kartierung.

In unserem 6-wöchigen Robotics Capstone geben wir Ihnen die Möglichkeit, eine Lösung für ein reales Problem zu implementieren, die auf den Inhalten basiert, die Sie in den Kursen Ihrer Robotik-Spezialisierung gelernt haben. Außerdem haben Sie die Möglichkeit, mathematische und programmiertechnische Methoden anzuwenden, die Forscher in Robotiklabors verwenden.

Sie haben die Wahl zwischen zwei Tracks - Im Simulations-Track werden Sie Matlab verwenden, um ein mobiles umgekehrtes Pendel oder MIP zu simulieren. Das für diesen Abschlusskurs erforderliche Material basiert auf Kursen in Mobilität, Flugrobotik und Schätzung. In der Hardware-Schiene müssen Sie ein Rover-Kit, einen Raspberry Pi, eine Pi-Kamera und eine IMU kaufen und zusammenbauen, damit Ihr Rover autonom durch Ihre eigene Umgebung navigieren kann. Die praktische Programmiererfahrung wird zeigen, dass Sie die Grundlagen der Roboterbewegung, -planung und -wahrnehmung erworben haben und in der Lage sind, diese auf eine Vielzahl praktischer Anwendungen in der realen Welt zu übertragen. Der Abschluss des Kurses bereitet Sie besser auf den Einstieg in den Bereich der Robotik sowie auf eine große und wachsende Zahl anderer Berufsfelder vor, in denen Roboter die Landschaft fast aller Branchen verändern. Im folgenden Lehrplan finden Sie eine wöchentliche Aufschlüsselung der einzelnen Kurse. Woche 1 Einführung MIP Track: MATLAB für dynamische Simulationen verwenden AR Track: Dijkstra's und der Kauf des Bausatzes Quiz: A1.2 Integrieren einer ODE mit MATLAB-Programmierung Aufgabenstellung: B1.3 Dijkstra's Algorithmus in Python Woche 2 MIP-Track: PD-Kontrolle für Systeme zweiter Ordnung AR-Track: Zusammenbau des Rovers Quiz: A2.2 PD-Tracking Quiz: B2.10 Demonstration des fertiggestellten Rovers Woche 3 MIP-Track: Verwendung eines EKF, um die skalare Orientierung von einer IMU zu erhalten AR Track: Kalibrierung Quiz: A3.2 EKF für skalare Lageschätzung Quiz: B3.8 Kalibrierung Woche 4 MIP-Track: Modellierung eines mobilen umgekehrten Pendels (MIP) AR Track: Entwurf einer Steuerung für den Rover Quiz: A4.2 Dynamische Simulation eines MIP Peer Graded Assignment: B4.2 Programmierung eines Tag-Following-Algorithmus Woche 5 MIP-Track: Lokale Linearisierung eines MIPs und linearisierte Steuerung AR Track: Ein erweiterter Kalman-Filter für Zustandsschätzungen Quiz: A5.2 Gleichgewichtige Steuerung eines MIP Peer Benotete Aufgabe: B5.2 Ein erweiterter Kalman-Filter für die Zustandsabschätzung Woche 6 MIP-Track: Rückgekoppelte Bewegungsplanung für das MIP AR Track: Integration Quiz: A6.2 Noise-Robust Control and Planning for the MIP Peer Benotete Aufgabe: B6.2 Fertigstellung Ihres autonomen Rovers